利用基础深度学习模型检测狩猴病运动性症状中的日常行走步态
计算机视觉与模式识别
2024-12-17 v1 人工智能
摘要
可穿戴传感器以非侵入方式收集身体活动(PA)数据，其中行走是关键组成部分。现有模型常在难以检测神经退行性疾病(NDDs)中伴随不自主运动的步态阶段。我们开发了J-Net—a种受U-Net启发的深度学习模型，该模型使用经过在家族病(HD)实验室数据微调的自监督基础模型，并配合分割头用于步态检测。J-Net处理手腕佩戴的加速度计数据，以检测日常生活中的步态。我们在HD、帕金森病(PD)及对照组的实验室数据和日常生活数据上对J-Net进行评估。与现有方法相比，J-Net在HD上的ROC-AUC提升了10个百分点，达到0.97（实验室数据）。在日常生活环境中，J-Net估计显示HD组和对照组的每日步行时间中位数无显著差异(p=0.23)，与其他模型形成鲜明对比，后者显示出反直觉的结果(p<0.005)。通过J-Net测量的步行时间与UHDRS-TMS临床严重度评分相关(r=-0.52;p=0.02)，证明其临床相关性。对PD数据进行微调J-Net也优于当前方法。J-Net的体系结构有效解决了严重痙性运动步态检测的挑战，并在日常生活中表现出稳健性。该数据集和J-Net模型均公开可用，为进一步研究NDDs相关步态障碍提供了资源。
引用
@article{arxiv.2412.11286,
title = {Detecting Daily Living Gait Amid Huntington's Disease Chorea using a Foundation Deep Learning Model},
author = {Dafna Schwartz and Lori Quinn and Nora E. Fritz and Lisa M. Muratori and Jeffery M. Hausdorff and Ran Gilad Bachrach},
journal= {arXiv preprint arXiv:2412.11286},
year = {2024}
}