基于键盘动力学的跨数据集多变量时间序列模型用于帕金森病诊断
机器学习
2025-10-21 v1 人工智能
摘要
帕金森病（PD）正成为全球日益增长的挑战，影响超过千万人群，且预计到2040年患病率将翻倍。早期诊断仍困难，因为运动症状晚显，且传统临床评估方法存在局限。本研究提出了一种新型管道，利用键盘动力学作为一种非侵入且可扩展的生物标志物，用于远程PD筛查和远程监测。我们的 methodology 包括三个主要阶段：（i）来自四个不同数据集的数据预处理，提取四个时序信号，并通过比较三种方法来解决类别不平衡问题；（ii）在两个最大数据集上对八种最先进的深度学习架构进行预训练，优化时序窗口、步幅及其他超参数；（iii）在中等规模数据集上微调，并在第四个独立队列上进行外部验证。我们的结果表明，混合卷积-循环和基于Transformer的模型在外部验证中表现出色，AUC-ROC得分超过90%，F1分数超过70%。值得注意的是，一种时序卷积模型在外部验证中达到了91.14%的AUC-ROC，超过了仅依赖内部验证的现有方法。这些发现凸显了键盘动力学作为PD可靠数字生物标志物的潜力，为早期检测和持续监测提供了有前景的途径。
引用
@article{arxiv.2510.15950,
title = {Cross-dataset Multivariate Time-series Model for Parkinson's Diagnosis via Keyboard Dynamics},
author = {Arianna Francesconi and Donato Cappetta and Fabio Rebecchi and Paolo Soda and Valerio Guarrasi and Rosa Sicilia},
journal= {arXiv preprint arXiv:2510.15950},
year = {2025}
}
备注
Proceedings of the Workshop on Artificial Intelligence for Biomedical Data (AIBio 2025), 28th European Conference on Artificial Intelligence 2025, Springer CCIS