Oct, 2023

利用深度学习模型预测三种步冻事件

PDF
TL;DR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。
freezing of gaitparkinson's diseaseprediction modelsmachine learningdeep learning
发现论文，激发创造
  • 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

    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。

    Jul, 2023

  • 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

  • 利用深度学习进行时空步态数据的价值预测

    使用深度学习分析运动行为数据，我们探索短距离和长距离的预测，并证明其在医学诊断、治疗过程监测以及其他应用领域的潜力。

    Feb, 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

  • 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

  • 使用多任务特征学习进行神经步态障碍分类

    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

  • 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

  • 传统机器学习与深度学习技术在步态相位检测中的比较

    人体行走是一种复杂的活动，精确检测步态阶段对于控制下肢辅助装置如外骨骼和假肢至关重要。本研究提出了几种基于下肢肌电数据的机器学习模型，其中包括高斯朴素贝叶斯、决策树、随机森林、线性判别分析以及深度卷积神经网络。传统机器学习模型通过手工特征或使用主成分分析对其降维处理，而深度卷积神经网络模型则利用卷积层从原始数据中提取特征。结果显示传统机器学习模型的平均准确率为 75%，深度学习模型的准确率为 79%。在训练的深度学习模型中，经过 50 次试验，最高准确率达到 89.5%。

    Mar, 2024

  • 基于时间序列加速度的深度学习模型解释年龄相关步态分类

    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

  • 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