Aug, 2023

笑容揭示的帕金森病：一个基于人工智能的筛查框架

PDF
TL;DR通过分析最大的包含微表情的视频数据集，本研究利用面部特征和动作单元，从微笑视频中提取的特征，在带有偏见的数据中实现了 89.7% 的准确率和 89.3% 的接收者操作特征下的面积（AUROC），显示了微笑自拍视频在帕金森病风险评估中的潜力。
发现论文，激发创造
  • 通过多任务视频分析实现帕金森病在家无障碍检测

    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

  • 帕金森病的声音生物标志和先进机器学习算法检测：一项综合研究

    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

  • 情感 EEG 信号的帕金森病自动检测和情感分析

    通过研究帕金森症（PD）患者和健康对照者（HC）的情感脑电图（EEG）信号，本研究使用传统机器学习和深度学习方法，探讨维度和分类情感识别以及 PD 与 HC 分类的有效性，结果表明情感 EEG 响应几乎可以完美地识别出 PD 和 HC，而通过研究 “隐含” 反应可以发现 PD 患者的价值相关缺陷，并且情感 EEG 分析是一种生态有效、易于实现和可持续的 PD 诊断工具。

    Feb, 2022

  • 应用人工智能和自然语言知识转移进行帕金森病诊断

    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

  • 利用人工智能在家测量帕金森病的严重程度

    该研究介绍了一种使用人工智能技术进行帕金森病患者远程多任务运动表现评估的方法，此方法具有高度的准确性和可靠性，并且可以为缺乏神经学治疗的区域提供帕金森病患者及其他运动障碍患者远程客观评估的可能性。

    Mar, 2023

  • PARK: 帕金森病远程运动分析

    我们提出了一个基于网络的框架，通过允许用户在家进行神经学测试来筛查帕金森病（PD）。我们的网络框架指导用户完成涉及语音、面部表情和手指运动的三个任务。通过分析任务视频来分类用户是否显示出 PD 的迹象。我们以易于理解的方式呈现结果，并提供个性化资源以进一步获得治疗和关怀。我们的框架可以通过任何主要的 web 浏览器访问，提高了对神经疾病照护的全球可访问性。

    Nov, 2023

  • Shoupa：早期诊断帕金森病的 AI 系统

    本文介绍了我们开发的智能手机移动设备和 AI 技术相结合的 PD 早期检测系统框架，该系统结合了不同任务，评估了运动和非运动症状，以帮助用户在非临床设置中及时检测 PD，确定其最严重的症状，进而用于 PD 康复指导及其他神经疾病的检测。

    Nov, 2022

  • 利用机器学习进行早期诊断帕金森病的实验研究

    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

  • 超越公平：基于声音的无年龄歧视帕金森病检测

    通过使用基于 GradCAM 的特征遮盖和集成模型的新的去偏方法，我们有效提高了早发型帕金森病患者的检测准确率，而不以性能为代价。此外，我们为年轻群体提出了两步检测策略，为潜在早发型帕金森病患者提供实际风险评估。

    Sep, 2023

  • 心灵的表情：通过面部表情揭示在 11,427 名青少年中的心理健康状态

    通过分析大规模的面部表情数据集，本研究揭示了情绪障碍与面部表情之间的关系，发现了面部表情中微小的瞳孔动态和视线方向变化可能是情绪障碍的潜在标记，为基于数据的精神健康研究奠定了基础。

    May, 2024