基于深度循环神经网络特征集工程检测帕金森病冻结步态
信号处理
2019-09-10 v1 人工智能
机器学习
机器学习
摘要
冻结步态（FoG）是帕金森病中常见的步态障碍，通常出现于疾病晚期。冻结发作与跌倒、损伤及心理后果相关，负面影响患者生活质量。为自动检测 FoG 发作，需要高精度的检测方法。本文提出一种利用深度循环神经网络（RNN）对三维加速度计测量进行 FoG 发作检测的方法。我们研究从传感器时间序列数据中提取的合适特征与特征组合。具体而言，为检测 FoG 发作，我们应用带长短期记忆单元的深度 RNN。实验中，我们进行用户相关与用户无关实验以检测冻结发作。实验结果表明，在受试者无关方法中，由躯干传感器提取的频域特征是最具信息量的特征组，平均 AUC 得分 93%、特异度 90%、灵敏度 81%。此外，所有传感器的频域与统计特征被确定为受试者相关方法中最佳单一输入，平均 AUC 得分 97%、特异度 96%、灵敏度 87%。总体而言，与文献中作为基线的先进方法相比，我们所提方法显著更优。
引用
@article{arxiv.1909.03428,
title = {Feature-Set-Engineering for Detecting Freezing of Gait in Parkinson's Disease using Deep Recurrent Neural Networks},
author = {Spyroula Masiala and Willem Huijbers and Martin Atzmueller},
journal= {arXiv preprint arXiv:1909.03428},
year = {2019}
}