用于帕金森病眼动追踪数据时间序列分类的深度学习
机器学习
2023-11-29 v1 定量方法
摘要
眼动追踪是一种可及且非侵入性的技术，提供关于受试者运动和认知能力的资讯。因此，它已被证明是帕金森病等神经退行性疾病研究的宝贵资源。特别是扫视实验在帕金森病的诊断和分期中已被证明有用。然而，迄今为止，尚未发现单一的眼动生物标志物能明确区分患者与健康对照。在本工作中，我们研究使用最先进的深度学习算法，利用扫视实验的眼动追踪数据进行帕金森病分类。与以往工作不同，我们不使用来自扫视的手工特征，而是使用每次试验前准备阶段记录的原始 长注视间隔。使用这些短时间序列作为输入，我们实现了两种不同的分类模型 InceptionTime 和 ROCKET。我们发现模型能够学习分类任务并泛化到未见过受试者。InceptionTime 达到 准确率，而 ROCKET 达到 准确率。我们还采用一种新颖的 ROCKET 模型剪枝方法以提高可解释性和泛化性，达到 准确率。我们的结果表明注视数据受试者间变异性低，并潜在携带有关大脑认知和运动状况的有用信息，使其适合与机器学习结合用于发现疾病相关生物标志物。
引用
@article{arxiv.2311.16381,
title = {Deep Learning for Time Series Classification of Parkinson's Disease Eye Tracking Data},
author = {Gonzalo Uribarri and Simon Ekman von Huth and Josefine Waldthaler and Per Svenningsson and Erik Fransén},
journal= {arXiv preprint arXiv:2311.16381},
year = {2023}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2023, December 10th, 2023, New Orleans, United States, 12 pages