来自VGRF和IMU步态数据的神经疾病诊断的统一对比学习框架

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 神经系统疾病的早期诊断对于有效的干预和患者护理至关重要.
• 像垂直地面反应力 (VGRF) 和惯性测量单元 (IMU) 这样的可穿戴传感器提供了有价值的步态数据,但在融合异质和未对齐的数据集方面存在挑战.
• 现有的方法难以整合来自不同可穿戴模式的数据,特别是当数据稀缺时.

研究的目的:

• 提出一种新的对比学习框架,用于统一VGRF和IMU步行数据用于ND分类.
• 开发一种能够使用VGRF或IMU数据流独立进行准确的ND诊断的模型.
• 增强异质可穿戴传感器数据的融合,以改善神经健康评估.

主要方法:

• 开发了一个对比的学习框架,为VGRF和IMU步行数据创建一个共享的表示空间.
• 训练模型对健康对照来分类四种NDs (帕金森病,亨廷顿病,肌缩性侧面硬化症,中风).
• 评估了两个公共VGRF数据集和一个现实世界IMU数据集的框架.

主要成果:

• 在二元分类 (疾病与健康) 中获得了98.21%的准确性.
• 在神经疾病的多类分类中达到96.99%的准确性.
• 证明了该模型在使用单模数据 (VGRF或IMU) 诊断ND的有效性.

结论:

• 提出的对比学习框架有效地统一了来自VGRF和IMU传感器的异质步态数据.
• 这种方法提供了一种强大而准确的方法,用于使用可穿戴技术进行基于步态的神经评估.
• 这些发现突出了通过先进的数据融合技术来推进神经医疗诊断的潜力.