用深度学习解释个体步态模式的独特性
机器学习
2019-02-28 v2 机器学习
摘要
机器学习（ML）技术如（深度）人工神经网络（DNN）非常成功地解决了大量任务，并为复杂的物理、化学、生物和社会系统提供了新的预测模型。然而，在大多数情况下，其缺点是充当黑箱，很少提供关于它们如何得出特定预测的信息。ML 技术的黑箱特性尤其在医学诊断中可能存在问题，迄今阻碍了临床接受。本文使用 DNN 研究临床生物力学中个体步态模式的独特性。通过将模型预测的部分归因回输入变量（地面反作用力和全身关节角度），逐层相关性传播（LRP）技术可靠地展示了步态周期中哪些变量在哪些时间窗对表征某特定个体的步态模式最为相关。通过测量每个输入变量对 DNN 等 ML 技术预测的时间分辨贡献，我们的方法描述了首个通用框架，能够理解并解释（生物力学）步态分析中的非线性 ML 方法，从而为人类步态的分析、诊断和治疗提供强大工具。
引用
@article{arxiv.1808.04308,
title = {Explaining the Unique Nature of Individual Gait Patterns with Deep Learning},
author = {Fabian Horst and Sebastian Lapuschkin and Wojciech Samek and Klaus-Robert Müller and Wolfgang I. Schöllhorn},
journal= {arXiv preprint arXiv:1808.04308},
year = {2019}
}
备注
17 pages (23 pages including references, 24 pages including references and auxiliary statements, 33 pages including references, auxiliary statements and and supplementary material). 5 figures, 3 tables, 4 supplementary figures, 9 supplementary tables. Accepted for publication at Scientific Reports: https://doi.org/10.1038/s41598-019-38748-8