Nov, 2023

深度学习在帕金森病眼动数据的时间序列分类中的应用

PDF
TL;DR通过使用眼动追踪数据，分析巴金森病诊断和分类的深度学习算法，研究发现通过用于准备阶段的短时间序列数据作为输入可实现疾病分类任务，结果表明这些数据具有较低的主体间变异性并携带关于大脑认知和运动状况的有用信息，有效用于机器学习发现与疾病相关的生物标志物。
发现论文，激发创造
  • 混合现实眼动追踪在神经退行性疾病诊断中的应用

    通过混合现实技术实现眼动跟踪和评估，为神经退行性疾病提供一种非侵入性的监测方法，以诊断帕金森病为例，通过提取从眼注视分析中得出的临床相关特征，实现对疾病进展和认知功能的可靠评估。

    Apr, 2024

  • 基于手腕动作的时间序列分类用于帕金森病检测

    介绍了使用 InceptionTime 和 RandOm Convolutional KErnel Transform (ROCKET) 处理可穿戴加速度计数据在帕金森病患者的症状监测方面的研究，结果显示这两种方法都适用于连续症状监测，但选择取决于所关注的症状和期望的稳健性。

    Apr, 2023

  • 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

  • 利用深度学习对眼动数据进行阿尔茨海默病分类

    使用深度学习分类器（VTNet）对原始眼动数据进行端到端训练，以改进目标 AD 分类任务中的性能，并证明该模型在从眼动数据中进行预测方面具有普适性。

    Sep, 2023

  • 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

  • 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

    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。

    Aug, 2023

  • 使用对比度图交叉视图学习和 SPECT 图像与临床特征的多模态融合进行帕金森病分级

    通过引入多模态方法，结合深度学习和图融合技术，我们的研究提出了一种用于帕金森病分类的图视多模态方法，实验结果表明，在五折交叉验证中，该方法可以达到 91% 的准确率和 92.8% 的 AUC，并且相比仅依赖机器学习方法的方法，在非图像数据上具有更强的预测能力。

    Nov, 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

  • 用于图像分类，目标检测和跟踪的扫视机制

    利用视觉运动机制中的 Saccade 机制，结合注意力驱动的视觉处理方法来实现深度学习神经网络分类和目标检测问题的智能数据压缩，实验在 ResNet-18，ViT，DETR 和 TransTrack 模型上进行，结果显示了该方法具有不错的性能表现。

    Jun, 2022

  • 基于深度学习的眼动追踪脑电图数据分割

    介绍了一种名为 DETRtime 的新框架，该框架利用 EEG 数据而无需额外记录眼球跟踪模式，实现了时间序列的分割，实现了多种眼球跟踪实验范式的最新最优性能，同时在 EEG 睡眠阶段的分割任务中得到了良好的泛化表现。

    Jun, 2022