基于行走器传感器数据的帕金森病分期的机器学习鉴别
本研究旨在利用可穿戴系统,通过机器学习算法分析帕金森症早期症状,挖掘相关生物标志物进行症状监测和早期预测,结果表明通过该方法可获得 91.9% 的预测准确度。
Apr, 2023
通过机器学习技术,使用临床特征,声音特征和运动检查等数据,实现对帕金森病的早期检测,并取得了 100%针对 PD 和 RBD 患者的准确分类率,以及对 PD 和 HC 个体的 92%准确分类率。
Oct, 2023
本研究采用卷积神经网络和机器学习技术,通过分析步态数据并将研究结果与临床相关生物标志联系起来,实现对帕金森氏症认知功能下降的步态分析。
Jun, 2023
该论文提出了一种基于深度学习技术的方法,通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症,并预测病情的程度,取得了非常有前景的效果。
Feb, 2024
本研究提出一种基于 MTFL 算法框架的步态障碍疾病识别方法,对中风和帕金森病等常见神经疾病进行分类,通过地面接触力数据以步态参数来刻画患者的移动,平衡、力量和节奏特征,达到更好而客观的评估效果。
Dec, 2016
提出了一种基于计算机视觉的模型,该模型可以观察个体的非侵入性视频记录,提取他们的 3D 身体骨架,跟踪它们的运动,并根据 MDS-UPDRS 步态评分对这些运动进行分类。这是一个基于 MDS-UPDRS 步态严重度分类 PD 患者的第一个基准,并可能成为一种客观的生物标志物。
Jul, 2020
该研究探索了派金森病患者声音特征变化作为早期疾病预测手段的潜力,使用多种先进的机器学习算法进行综合分析,结果表明 LightGBM 模型在准确率、AUC,敏感度和特异度等指标上表现出色,强调了结合声音生物标志物和先进机器学习技术对于精确及时检测派金森病的重要性。
Nov, 2023
本研究提出了一种利用深度学习方法对带有 Parkinson 病的患者的语音记录进行分类的方法,通过对一个预训练自然语言模型 wav2vec 2.0 进行知识转移训练音频分类器,并成功在由智能手机录制的语音记录数据集中实现了 97.92% 的准确度。
Apr, 2022
通过分析网络摄像头录制的手指敲击、面部表情(微笑)和语音(说出包含所有字母的句子)的特征,我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病,该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备,在有限制性临床专家资源的地区尤其方便。
Jun, 2024
本研究通过对大规模人体动作数据集上进行训练的通用人体动作编码器在分析帕金森病患者步态模式方面的应用进行了调查。结果显示,这些模型在分析帕金森步态等病理性动作方面的有效性尚未得到充分验证。我们提出了一个比较框架,并通过评估六个预训练的最先进的人体动作编码器模型从运动捕捉数据中预测运动障碍学会统一帕金森病分级量表(MDS-UPDRS-III)的步态得分。与最近发布的一个大型公开帕金森病数据集中的基于特征的预测模型进行比较,基于特征的模型目前显示出更高的加权平均准确度、精确度、召回率和 F1 分数。性能相近的动作编码器模型展示了在临床环境中可扩展性和效率的潜力。在帕金森病训练集上进行微调后,编码器模型表现出更好的性能。在六个人体动作模型中,其中四个提供的预测分数在服药状态和不服药状态之间存在显著差异。这一发现揭示了运动编码器模型对微妙临床变化的敏感性。它还强调了继续定制这些模型以更好地捕捉疾病特异性特征的必要性,从而减少对劳动密集型特征工程的依赖。最后,我们在临床环境中建立了基于骨架的动作编码器模型分析的基准。据我们所知,这是第一个为使最先进模型能在临床环境中得到测试和竞争提供的基准研究。代码和基准研究排行榜可在代码处获取。
May, 2024