基于多任务特征学习的神经源性步态障碍分类
计算机视觉与模式识别
2017-02-02 v3
摘要
随着人口老龄化，神经损伤与肌肉骨骼系统退化导致步态异常，这会显著降低生活质量。步态康复疗法已被广泛采用以帮助患者最大化社区参与和生活独立性。为进一步提高康复疗法的精确性与效率，需要基于感官数据开发更客观的方法。本文提出一种算法框架，用于根据地面接触力（GCF）数据对由两种常见神经疾病（中风和帕金森病（PD））引起的步态障碍进行分类。一种先进机器学习方法——多任务特征学习（MTFL）——被用于联合训练受试者步态的三分类（中风后、PD和健康步态）模型。与活动能力、平衡、力量和节律相关的步态参数被用作分类特征。在所有使用的特征中，MTFL模型捕获了每种疾病更重要的那些特征，这将有助于提供更好的客观评估和疗法进展追踪。为评估所提方法，我们使用了一项人体受试者研究的数据，包括5名PD患者、3名中风后患者和3名健康受试者。尽管异常具有多样性，评估表明所提方法能成功区分中风后和PD步态与健康步态，以及中风后与PD步态，曲线下面积（AUC）得分至少0.96。此外，该方法有助于选择重要步态特征，以更好地理解区分异常步态的关键特征并设计个性化治疗。
引用
@article{arxiv.1612.02562,
title = {Classification of Neurological Gait Disorders Using Multi-task Feature Learning},
author = {Ioannis Papavasileiou and Wenlong Zhang and Xin Wang and Jinbo Bi and Li Zhang and Song Han},
journal= {arXiv preprint arXiv:1612.02562},
year = {2017}
}
备注
shorter version of this paper is submitted to CHASE '17 conference