GFASNet:步态特征关注驱动的深度序列网络,用于与痴呆相关的步态模式分析

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算机科学 计算机科学

背景情况:

• 深度学习模型显示了使用人类活动数据 (如步态) 来预测痴呆症的潜力.
• 当前模型的有限的解释性和临床相关性阻碍了它们在认知健康研究中的应用.

研究的目的:

• 引入GFASNet (步态特征注意力驱动的深度序列网络) 来识别与痴呆相关的步态变化.
• 提高模型透明度,并使用注意力机制量化步态参数贡献.
• 探索早期痴呆症检测的潜在数字生物标志物.

主要方法:

• 采集了来自232名参与者使用压力传感器行走道的时空行走数据.
• 训练和评估了四个GFASNet变体 (LSTM,BiLSTM,GRU,BiGRU) 的步行序列 (八步).
• 在深度序列架构中利用特征级别的注意力机制.

主要成果:

• 所有GFASNet模型在痴呆症分类任务中表现优于非注意力基线.
• 注意力重量分析显示,对于痴呆病例的识别,人们始终专注于特定的步态特征.
• 证明了GFASNet提供可解释步态分析的能力.

结论:

• 通过可解释的步态分析,GFASNet提高了痴呆症识别的准确性.
• 通过注意力机制识别的步态特征显示出作为认知健康的数字生物标志物具有前途.
• GFASNet为痴呆症研究提供临床相关的步态分析.