用于基于步态准确检测帕金森病并预测严重程度的深度一维卷积网络
机器学习
2020-05-19 v4 计算机视觉与模式识别
图像与视频处理
摘要
诊断帕金森病是一项复杂任务，需要评估若干运动与非运动症状。在诊断过程中，步态异常是医生应考虑的重要症状之一。然而，步态评估具有挑战性，且依赖于临床医生的专业知识与主观判断。在此背景下，使用智能步态分析算法可辅助医生以促进诊断流程。本文提出一种基于深度学习技术的新型智能帕金森检测系统来分析步态信息。我们使用一维卷积神经网络（1D-Convnet）构建深度神经网络（DNN）分类器。所提模型处理来自测量垂直地面反作用力（VGRF）的足部传感器的18路一维信号。网络的第一部分由对应于系统输入的18个并行1D-Convnet组成。第二部分是一个全连接网络，将1D-Convnet的拼接输出连接起来以获得最终分类。我们在帕金森病检测以及使用统一帕金森病评定量表（UPDRS）预测疾病严重程度方面测试了我们的算法。我们的实验证明了所提方法在基于步态数据检测帕金森病方面的高效性。所提算法达到了98.7%的准确率。据我们所知，这是帕金森病步态识别中最先进的性能。此外，我们在帕金森病严重程度预测中达到了85.3%的准确率。据我们所知，这是首个基于UPDRS进行严重程度预测的算法。我们的结果表明，该模型能够学习步态数据的内在特征并泛化到未见过受试者，这可能有助于临床诊断。
引用
@article{arxiv.1910.11509,
title = {Deep 1D-Convnet for accurate Parkinson disease detection and severity prediction from gait},
author = {Imanne El Maachi and Guillaume-Alexandre Bilodeau and Wassim Bouachir},
journal= {arXiv preprint arXiv:1910.11509},
year = {2020}
}
备注
Source code available at https://github.com/imanneelmaachi/Parkinson-disease-detection-and-severity-prediction-from-gait