基于可积角场和联邦学习的行走停止检测
机器学习
2025-05-06 v3 信号处理
摘要
行走停止(FOG)是帕金森病的一种严重症状, 会损害行动能力和安全性, 增加跌倒风险. 有效的FOG检测系统必须在准确性、实时性和可部署性方面表现优异, 以便在不受控制的环境中实现及时干预. 然而, 现有检测方法面临诸多挑战: (1) 同一患者及患者间变异性, (2) 主观化训练, (3) 使用多个传感器位于FOG主导位置(如脚踝)导致故障点多, (4) 集中式、非自适应学习框架牺牲患者隐私, 并阻止跨人群和疾病进展的协作模型细化, (5) 大多数系统在受控环境中测试, 限制了其在持续家庭监督中的实际应用性. 为克服这些缺陷, 本文提出FOGSense, 一个为不可受控、自由生活环境设计的FOG检测系统, 仅使用单个传感器. FOGSense采用可积角场(GAF)转换和隐私保护的联邦深度学习, 以捕捉传统方法遗漏的时空步态模式, 误报率低. 我们使用公开的帕金森数据集进行评估, 该数据集在自由生活环境中收集. FOGSense相对于单轴加速度计提高了10.4%的准确性, 减少了多传感器系统的故障点, 并对缺失值具有鲁健性. 联邦架构允许个性化模型适应, 并在非高峰时段实现智能手机同步, 适用于随症状演变而进行的长期监测. 总体而言, FOGSense在F1分数上提高了22.2%, 误报率降低74.53%, 相较于最先进的方法实现了更高的灵敏度, 并成功检测FOG发作.
引用
@article{arxiv.2411.11764,
title = {Freezing of Gait Detection Using Gramian Angular Fields and Federated Learning from Wearable Sensors},
author = {Shovito Barua Soumma and S M Raihanul Alam and Rudmila Rahman and Umme Niraj Mahi and Abdullah Mamun and Sayyed Mostafa Mostafavi and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2411.11764},
year = {2025}
}
备注
Accepted at the 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), July 14-17, 2025, Copenhagen, Denmark