用于帕金森运动症状波动检测的多尺度自适应时间网络,使用粗化2D骨架姿势数据
Balamurugan Velumani1, Sivasankari Krishnakumar2
1Department of Computer Science and Engineering, Akshaya College of Engineering and Technology, Coimbatore, 642109 Tamil Nadu, India.
Journal of integrative neuroscience
|January 29, 2026
概括
这项研究引入了一个深度学习框架,用于实时,保护隐私的帕金森病 (PD) 监测. 该系统准确地对药物状态进行分类,并使用二维骨架数据估计症状严重程度.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 帕金森病 (PD) 呈现出因药物影响而波动的运动症状.
- 目前的监控方法是主观的,或引发隐私问题.
- 需要客观,持续和私人监控解决方案.
研究的目的:
- 开发PD的实时,保护隐私的深度学习框架.
- 同时分类药物状态 (ON/OFF) 和估计运动症状严重程度.
- 使用2D骨架姿势数据进行监控.
主要方法:
- 开发了一个多尺度的时间注意力转换器网络 (MS-TATNet).
- 雇佣的二维骨架姿势数据来自REMAP数据集.
- MS-TATNet集成了多尺度的时间卷积和变压器编码器,用于动态的症状分析.
主要成果:
- 在药物状态分类中实现了高精度 (99.63%).
- 证明了出色的回忆 (99.50%),特异性 (99.33%) 和F1评分 (99.67%).
- 严重性估计显示与临床评估有很强的相关性 (0.97皮尔森系数).
结论:
- MS-TATNet显示了远程PD监控的巨大潜力.
- 该框架提供了一个可扩展和保护隐私的解决方案.
- 能够对PD运动症状进行持续,客观的评估.
