面向步态退化分析的可解释 AI 与机器学习

步态分析是一个不断扩展的研究领域，采用非侵入式传感器和机器学习技术用于一系列应用。在本研究中，我们专注于用于检测帕金森病（PD）认知衰退及双任务条件下步态的步态分析。利用卷积神经网络（CNNs）与可解释机器学习，我们客观分析步态数据并将发现与临床相关生物标志物相关联。这是通过将机器学习输出连接到基于人类视觉观察或导出的定量步态参数的决策来实现的，这些参数在当前医疗实践中经过测试并常规实施。我们对 PD 中由认知衰退引起的步态退化的分析，使用所提方法从地面反作用力（GRF）数据评估 PD 严重程度，获得了稳健结果。我们在每个 PhysioNet.org 数据集上实现了 98% F1 分数，在合并的 PhysioNet 数据集上实现了 95.5% F1 分数的分类准确率。通过将临床可观察特征与模型输出相关联，我们展示了 PD 严重程度对步态的影响。此外，我们探索了认知负荷在健康步态分析中的重要性，在受试者身份核验中获得了 100% F1 分数的稳健分类准确率。我们还使用逐层相关性传播（Layer Wise Relevance Propagation）识别出对模型预测至关重要的较弱特征。本研究一个显著发现揭示，在两种分类情形（健康步态中的认知负荷与 PD 步态中的认知衰退）中，认知退化对步态的影响均作用于身体平衡与足部着地/离地动力学。