可解释的人工智能和机器学习在人类步态恶化分析方向的应用
通过机器学习和深度学习技术应用于步态诊断,本文综述了近来关于五种典型神经退行性疾病诊断的研究进展,提出了一个全面的有关人类步态数据和人工智能模型的系统分类,揭示了该领域的挑战、潜在解决方案和未来方向,并展望通过利用三维骨架数据和开发更高效的人工智能模型来进行神经退行性疾病诊断的前景。
May, 2024
使用可解释的人工智能(如 SHAP)增强基于深度学习的步态分类模型的透明度,以区分不同年龄群体之间在步行过程中的加速度和减速度模式的差异。
Nov, 2023
该研究采用机器学习方法,通过使用低成本的步行器安装的传感器获取的运动学信号,从而准确分类 Parkinson 病的严重程度阶段,并提供了一种解决传感器健康评估中常见的小数据和嘈杂数据问题的方法。
Jun, 2020
我们提出了一种深度学习模型,利用步态周期数据集实现对帕金森病的二分类早期检测,通过使用 1D - 卷积神经网络(CNN)、门控循环单元(GRU)和图神经网络(GNN)层,协同地捕捉数据中的时序动态和空间关系,从而实现了非凡的性能表现,准确率、精确率、召回率和 F1 得分分别为 99.51%、99.57%、99.71% 和 99.64%。
Apr, 2024
本文探讨了使用机器学习预测阿尔茨海默病恶化的能力,并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果,即针对健康组和轻微认知障碍组的恶化预测,分别使用了 CART 和 Elastic Net 获得了较好的结果。
Jun, 2023
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
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
通过基于大规模预训练的视觉语言模型(VLM)的知识增强策略,我们的模型学习并改进了患者步态视频的视觉、文本和数值表示,通过跨三个不同模态的集体学习:步态视频、特定类别的描述以及数值步态参数。实验结果表明,我们的模型不仅在基于视频的分类任务中明显优于最先进技术(SOTA),而且能够熟练地将学到的特定类别文本特征解码成使用定量步态参数词汇的自然语言描述。
Mar, 2024
通过基于视频的环境监测老年痴呆患者步态分析,使用深度神经网络从视频中提取出与深度相机相关的三维时空步态特征,可以准确预测出步态的速度和步长信息,并可用于长期环境监测中检测步态方面的有意义变化。
Aug, 2023
本研究通过提出的可解释的几何加权图注意力神经网络(xGW-GAT),鉴别出与帕金森病步态障碍相关的功能连接模式以及与运动障碍相关的功能子网络的可解释性,从而有助于更好地理解帕金森病的运动进展,推动更有效和个性化的治疗方法的发展。
Jul, 2023