面向临床步态分析的双用途框架：基于注意力的传感器优化与自动数据审计
机器学习
2025-11-05 v1
摘要
使用可穿戴传感器和人工智能进行客观步态分析对于管理神经系统和骨科疾病至关重要。然而，模型容易受到隐藏数据偏置的威胁，任务特定的传感器优化仍然是一个挑战。我们提出了一个多流注意力深度学习框架，既可作为传感器优化器，也可作为自动数据审计器。应用于Voisard等人（2025年）的多队列步态数据集，对四个临床任务（帕金森病、骨关节炎、脑血管性疾病筛查；帕金森病与脑血管性疾病差异）进行分析，该模型的注意力机制定量发现了严重的数据混合问题。对于骨关节炎和脑血管性疾病筛查来说，是左右侧评估在临床上至关重要的任务，该模型分配了超过70%的注意力给右脚，而在统计上忽略了左脚（注意力不足0.1%，95%置信区间[0.0-0.1]）。这并非临床发现，而是直接反映了该公共数据集中严重的侧性偏差（例如，15例右侧骨关节炎）的事实。本工作的主要贡献是方法论的，表明可解释的框架能够自动审计数据集的完整性。作为次要发现，模型提出了新的、数据驱动的传感器协同作用（例如，头部加脚部用于帕金森病筛查）作为未来优化协议的假设。
引用
@article{arxiv.2511.02047,
title = {A Dual-Use Framework for Clinical Gait Analysis: Attention-Based Sensor Optimization and Automated Dataset Auditing},
author = {Hamidreza Sadeghsalehi},
journal= {arXiv preprint arXiv:2511.02047},
year = {2025}
}