Apr, 2024

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

PDF
TL;DR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%。
parkinson's diseasedeep learningearly diagnosisgait cycle datasetswearable sensors
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于混合 CNN-RNN 的深度学习模型和单个腰部可穿戴传感器的步态事件预测

    本研究旨在探索使用单个腰部传感器和深度学习模型提高老年人步态事件检测的准确性，结果表明使用带有注意机制和双向机制的 CNN-RNN 混合模型有望实现准确的步态事件检测，有助于未来可穿戴设备的远程健康监测和诊断。

    Feb, 2022

  • 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

  • 卷积神经网络在帕金森病监测中对可穿戴传感器数据进行的数据增强

    本文针对可穿戴传感器数据分类中数据量小、标签存在噪声和类内变异性大等问题，提出了多种数据增强方法，并将所提出的方法和卷积神经网络应用于帕金森病患者运动状态的分类，取得了从 77.54％到 86.88％的性能提升。

    Jun, 2017

  • HCT: 高混合卷积 - 变形器模型用于帕金森病的步态检测和严重程度预测

    提出了一种基于深度学习的新型混合 ConvNet-Transformer 架构来检测和分期帕金森病 (Parkinson's disease)。该混合架构利用了卷积神经网络 (ConvNets) 和 Transformers 的优势来准确地检测帕金森病并确定其严重程度阶段，相比其他最先进的方法，具有 97％的帕金森病检测准确率和 87％的严重程度分期准确率。

    Oct, 2023

  • 基于粗 - 细卷积神经网络和 GRU 网络集成模型的深度学习跌倒检测算法

    本文提出了一种基于粗细卷积神经网络和门控循环单元的集成模型，用于可靠地检测老年人的跌倒事件。该模型利用传感器采集的信号，结合人工智能技术进行分析，融合不同层次的空间特征和时序依赖关系进行特征表示，实验结果表明其在区分跌倒与日常活动方面的可靠性和性能优于现有的卷积神经网络和长短时记忆网络方法。

    Apr, 2023