Aug, 2023

一种基于混合深度时空注意力模型的帕金森病诊断方法，使用静息状态脑电信号

PDF
TL;DR该研究提出了一种基于深度学习模型的帕金森病诊断方法，利用静息状态脑电图信号，通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力，该模型由卷积神经网络、双向门控循环单元和注意力机制构成，并在三个公开数据集上进行评估，结果表明该模型在训练和测试数据集上均能准确诊断帕金森病，即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义，该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。
parkinson's diseasediagnosisdeep learningelectroencephalogramresting state eeg
发现论文，激发创造
  • 利用脑电图信号和机器学习技术进行帕金森病诊断的综合研究

    通过分析人类脑电图信号，采用支持向量机分类模型，提出了一种创新的帕金森病诊断方法，该研究通过提高诊断准确性和可靠性增强了模型的性能。

    Apr, 2024

  • 一种基于 EEG 的帕金森病诊断方法：使用胶囊网络

    本文提出了一种基于脑电图的方法来诊断帕金森病，通过使用插值方法将脑电图信号的频带能量映射到二维图像中，并使用胶囊网络（CapsNet）进行分类，短期 EEG 部分的正确率达到 89.34％。通过在不同 EEG 带上分类的比较，我们发现在伽马波段的分类准确性最高，暗示我们需要更加关注早期 PD 患者的伽马波段的变化。

    Dec, 2021

  • 基于熵的机器学习模型用于智能物联网环境中的帕金森病诊断和监测

    本研究提出了一个计算效率高的机器学习模型，利用静息 - 状态脑电图（rs-EEG）在物联网环境下对帕金森病进行诊断和监测。研究结果显示，使用模糊熵能够最准确地诊断和监测帕金森病。同时，在信号频率范围和脑电图通道的不同组合下，能够准确诊断帕金森病。通过减少特征数量，作者最高达到了 99.9% 的分类准确率。研究结果还发现，脑电信号中的低频成分（0-4 Hz）对分类准确率起到关键作用。此外，作者还评估了不同长度的脑电图数据对帕金森病诊断的准确率，结果表明减少输入数据可以降低计算复杂度。因此，可以在物联网环境中使用性能较低的智能机器学习传感器，从而增强人类对帕金森病的抵抗力。

    Aug, 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

  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

    May, 2018

  • 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

  • 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

  • 利用卷积神经网络与长短时记忆层相结合预测帕金森病进展

    该研究使用 “帕金森病进展标志倡议” 数据集，开发了一个 3DCNN + LSTM 模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的 91.90％的分类准确率。

    Dec, 2023

  • 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

  • 使用多任务神经网络确定帕金森病患者的严重程度

    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