基于深度学习利用 fNIRS 对老年人行走任务进行分类
机器学习
2023-02-09 v3
摘要
步态特征衰退在老年人中十分常见，且是失能、发病与死亡风险增加的指标。在双任务行走（DTW）条件下，老年人步态与次级认知任务表现均进一步退化，且与跌倒史显著相关。近年来已对老年人 DTW 期间步态的皮层控制（特别是经功能性近红外光谱（fNIRS）测量的前额叶皮层（PFC））展开研究。然而，单任务与双任务步态条件下认知激活差异的自动分类尚未被广泛研究。本文将此表述为分类任务，并利用深度学习对单任务行走（STW）、双任务行走（DTW）与单认知任务（STA）进行自动分类。我们对数据样本进行分析，揭示了 HbO2 与 Hb 值差异的特征，并将其用作附加特征。我们进行特征工程将 fNIRS 特征构造成 3 通道图像，并应用多种图像处理技术进行数据增强以提升深度学习模型性能。实验结果表明，利用所采集 fNIRS 数据集并结合性别与认知状态信息微调的预训练深度学习模型可达约 81% 分类准确率，较传统机器学习算法高出约 10%。我们进一步开展消融研究以确定 fNIRS 水平及/或体素位置等特征对分类任务贡献的排序。
引用
@article{arxiv.2102.03987,
title = {Deep Learning Based Walking Tasks Classification in Older Adults using fNIRS},
author = {Dongning Ma and Meltem Izzetoglu and Roee Holtzer and Xun Jiao},
journal= {arXiv preprint arXiv:2102.03987},
year = {2023}
}