Apr, 2024

AI WALKUP: 一种基于计算机视觉的方法用于量化帕金森病患者的 MDS-UPDRS 评分

PDF
TL;DR通过基于计算机视觉的解决方案捕获人体姿势图像，使用算法进行重建和运动分析，并通过特征工程提取运动量的特征，从而可以在不同智能手机上部署，并通过我们的应用程序快速便捷地进行视频录制和人工智能分析。
发现论文，激发创造
  • 基于视觉的 MDS-UPDRS 步态评分估计用于评估帕金森病运动严重程度

    提出了一种基于计算机视觉的模型，该模型可以观察个体的非侵入性视频记录，提取他们的 3D 身体骨架，跟踪它们的运动，并根据 MDS-UPDRS 步态评分对这些运动进行分类。这是一个基于 MDS-UPDRS 步态严重度分类 PD 患者的第一个基准，并可能成为一种客观的生物标志物。

    Jul, 2020

  • 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

  • 自动化和无需标记的帕金森病评估：利用坐立视频预测 UPDRS 评分

    本文提出了一种基于视频的深度学习分析框架，用于评估统一帕金森病评定量表 (UPDRS) 的方法，并与训练有素的临床医生的表现进行比较，结果发现该框架可用于评估 BRADY 和 PIGD 的子得分，并具有潜力提供更丰富的 PD 患者的临床记录，从而可以在本地或在医生不在的情况下进行 PD 的监测与评估。

    Apr, 2021

  • 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

  • PD-ADSV：基于语音信号和硬投票集成方法的帕金森病自动诊断系统

    使用 Python 和 Gradio 网页框架，开发了一种基于语音信号的自主系统 PD-ADSV，使用四种机器学习分类器和硬投票集成方法来诊断帕金森病并达到最高准确度。

    Apr, 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

  • 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

  • PhoneMD: 从智能手机数据中学习诊断帕金森病

    使用智能手机的长期数据来诊断帕金森病，研究表明，深度学习模型的表现显著优于传统方法，smartphone 数据可以作为未来可能用于帕金森病诊断的数字生物标志物。

    Oct, 2018

  • 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

  • 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