基于时间序列加速度的深度学习模型对年龄相关步态分类的可解释性研究
机器学习
2024-11-18 v2 人工智能
神经元与认知
摘要
步态分析在每日健康监测中具有重要意义，尤其在老年人群中。传感器技术的进步使得在真实生活环境中捕捉运动并生成大数据成为可能。机器学习，特别是深度学习（DL），展现出利用这些大数据进行步态分析的前景。然而，这些模型固有的黑箱特性给其临床应用带来挑战。本研究旨在利用可解释人工智能（如 SHAP）提升基于 DL 的年龄相关步态模式分类的透明度。共纳入 244 名受试者，包括 129 名成年人与 115 名老年人（年龄>65）。他们在腰部 L3 节段佩戴加速度计完成 3 分钟行走任务。DL 模型卷积神经网络（CNN）与门控循环单元（GRU）分别使用 1 步幅与 8 步幅加速度训练，以分类成年人与老年人组。采用 SHAP 解释模型预测。CNN 取得满意性能，准确率为 81.4%、AUC 为 0.89；GRU 表现出良好结果，准确率为 84.5%、AUC 为 0.94。SHAP 分析揭示，CNN 与 GRU 均对来自垂直与行走方向的数据赋予更高 SHAP 值，尤其强调足跟着地附近、从终末摆动期到承重反应期的数据。此外，SHAP 值表明 GRU 并未平等对待每一次步幅。CNN 基于单一步幅数据特征准确区分成年人与老年人。GRU 通过考虑步幅间关系与细微差异实现准确分类。两模型中，足跟着地附近数据均最为关键，提示不同年龄段行走中加速与减速模式存在差异。
引用
@article{arxiv.2311.12089,
title = {Explaining Deep Learning Models for Age-related Gait Classification based on time series acceleration},
author = {Xiaoping Zheng and Bert Otten and Michiel F Reneman and Claudine JC Lamoth},
journal= {arXiv preprint arXiv:2311.12089},
year = {2024}
}