机器学习方法用于步态分析,用于帕金森病的检测和严重程度分类

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 是一种进展性神经系统疾病.
• 目前使用Hoehn和Yahr尺度的PD严重程度评估可能是不一致的,耗时的和昂贵的.
• 需要客观和有效的方法来监测PD的进展.

研究的目的:

• 开发和评估基于机器学习的步态分类系统,用于预测帕金森病的严重程度.
• 为了比较各种机器学习算法的性能,对PD阶段进行分类.
• 通过可解释的AI来提高临床决策,以预测PD的严重程度.

主要方法:

• 使用了两个开放访问数据集 (PhysioNet,Figshare),其中包含PD患者的地面反应力数据.
• 应用机器学习算法:决策树,随机森林,极端梯度增强和轻梯度增强机器 (LGBM).
• 采用可解释的人工智能 (XAI) 来解释PD严重程度的LGBM分类路径 (Hoehn和Yahr尺度0-5).

主要成果:

• 光梯度增强机 (LGBM) 显示出卓越的性能,在数据集1.1上实现了98.25%的准确性,98.35%的精度,98.25%的回忆率和98%的F1得分.
• 数据集2的表现略有下降,但结果仍然强大:准确率85%,精度95%,回忆率85%,F1得分89%.
• XAI提供了关于LGBM分类器对PD严重程度预测的决策过程的见解.

结论:

• 开发的机器学习系统有效地帮助使用步态分析对帕金森病的严重程度进行分类.
• 对于PD患者的自动化和快速查,LGBM显示出显著的潜力.
• 未来的工作可能包括集成可穿戴传感器用于实时监控系统.