使用格拉米安角场和来自可穿戴传感器的联合学习结步态检测

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 步态结 (FOG) 是帕金森病的一个主要症状,影响运动能力和跌倒风险.
• 目前的FOG检测方法在患者变化,传感器限制和现实世界的适用性方面存在困难.
• 现有系统通常需要多个传感器,增加故障点,限制实际使用.

研究的目的:

• 开发和评估FOGSense,一个单一传感器系统,用于准确的,实时的FOG检测在自由生活的帕金森病患者.
• 解决现有的FOG检测系统的局限性,包括隐私问题和适应性.
• 为了实现持续的,内部监控,以改善FOG管理.

主要方法:

• 利用格拉米安角场 (GAF) 转换来进行步态模式分析.
• 实施了保护隐私的联合深度学习,用于适应性,协作模式培训.
• 通过使用单个传感器在自由生活环境中收集的公共帕金森病数据集来评估系统.

主要成果:

• 与最先进的方法相比,FOGSense显示F1得分有22.2%的改善,假阳性率降低74.53%.
• 实现了比单轴加速度计高10.4%的精度,并显示了对缺失数据的稳定性.
• 联合方法使个性化模型适应和高效的智能手机同步成为可能.

结论:

• FOGSense是一个强大的,可在现实世界中部署的系统,用于在帕金森病中检测FOG.
• 单传感器,联合学习方法提高了长期监控的准确性,隐私和适应性.
• 该系统为患有帕金森病的人提供了预防性护理和更好的症状管理.