Jul, 2023

使用简单一维卷积神经网络从加速度计数据预测步态停滞 ——Kaggle 帕金森步态停滞预测竞赛第 8 名解决方案

PDF
TL;DR帕金森病患者的关键问题 - 步行停滞（FOG），通过使用患者佩戴的加速度计采集数据，结合机器学习算法，利用一维卷积神经网络进行 FOG 事件检测，研究结果突显了基于深度学习的 FOG 检测在改善帕金森病患者干预和管理策略方面的潜力。
freezing of gaitparkinson's diseaseaccelerometer dataconvolutional neural networkfog detection
发现论文，激发创造
  • 使用 Transformer 网络和单个腰部佩戴的三轴加速计改善帕金森病步态冻结检测的性能

    这篇论文介绍了使用单一佩戴式三轴加速度计和基于 Transformer 和卷积网络的新型分类算法在自由活动和实时使用中实现自动冻结行走检测的最新进展，通过在家居环境下进行的日常活动时呈现的 21 名患有 FOG 的患者的数据，研究表明该提议的 FOG-Transformer 可以在使用留一子主题交叉验证（LOSO CV）时显著改善 FOG 检测，从而为在步行或家庭环境中实施准确的监测系统带来机会。

    Apr, 2024

  • 嵌入式平台上使用机器学习治疗帕金森病的步态恢复系统

    论文提出了一种基于嵌入式系统的机器学习子系统，以从加速度信号检测短暂的步态缺失并帮助帕金森病患者重获步态，该系统比基于云的系统具备更低的延迟和更广泛的可部署性，并探讨了在 ATMega2560 微控制器上部署模型的优化过程。

    Apr, 2020

  • 利用深度学习模型预测三种步冻事件

    使用深度学习模型，结合 Transformer 编码器架构和双向 LSTM 层以及不同的特征集，预测三种不同类型的步态冻结事件，最佳模型在测试数据上达到 0.427 的得分，在 Kaggle 的步态冻结预测竞赛中排名前五。

    Oct, 2023

  • 基于足步压力的多级对抗时空学习用于 FoG 检测

    提出一种基于 Adversarial Spatio-temporal Network 的方法，利用步态垫上的步态压力序列进行 Parkinson 病的步态冻结检测，进而改善冻结治疗的质量。

    Sep, 2022

  • BagStacking: 帕金森病步态冻结的综合集成学习方法

    本文介绍了 BagStacking 的新型集成学习方法，利用下背部传感器追踪加速度，增强帕金森病（PD）中步态冻结（FOG）的检测，通过 bagging 和 stacking 的原理，旨在利用 bagging 的引导采样降低方差，同时通过 stacking 实现复杂的融合，实验证明 BagStacking 在验证集上相对于其他最先进的机器学习方法取得了显著改进，MAP 得分为 0.306，优于 LightGBM（0.234）和经典的 Stacking（0.286），此外，BagStacking 的运行时间为 3828 秒，相对于 Regular Stacking 的 8350 秒，表明其为 FOG 检测数据的内在变异性提供了有希望的方向，为 PD 患者的护理提供了稳健且可扩展的解决方案。

    Feb, 2024

  • 1D 卷积变换器用于步态的帕金森病诊断

    该研究提出了一种用于诊断帕金森病步态的高效深度神经网络模型。具体地，我们引入了一种混合的 ConvNet-Transformer 架构，通过检测疾病的严重程度准确诊断帕金森病。所提出的架构通过单一的端到端模型充分利用了卷积神经网络和 Transformer 的优势，前者能够从纵向地面反作用力信号中提取相关的局部特征，而后者能够捕捉数据中的长期时空依赖关系。我们的混合架构相比于单独使用任一模型获得了改进的性能。实验结果表明，我们的方法对于从步态数据检测帕金森病不同阶段是有效的，最终准确率达到了 88%，超过了 Physionet 步态数据集上其他最新人工智能方法。此外，我们的方法可以推广和适应其他分类问题，在处理一维信号中的特征相关性和时空依赖性问题上具有潜力。我们的源代码和预训练模型可以在此 https URL 公开获取。

    Nov, 2023

  • 应用可穿戴传感器测量的步态周期数据进行帕金森病早期检测的综合深度学习框架：CNN-GRU-GNN 方法

    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

  • 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

    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

  • 基于行走器传感器数据的帕金森病分期的机器学习鉴别

    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

  • 利用运动症状和机器学习早期检测帕金森病

    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