基于DDQN算法的行走冻结预测：学习自选经验的主动智能体
机器学习
2026-03-05 v1
摘要
行走冻结（FOG）是帕金棄病（PD）患者常经历的一种残疾性运动症状，常导致跌倒和活动受限。及时准确地预测FOG发作对于通过辅助技术实现主动干预至关重要。本研究提出了一个基于强化学习的框架，旨在识别最佳的FOG前驱 onset 点，从而延长预测视野，以实现anticipatory cueing系统。该模型实现了一个增强了优先级经验回放（PER）的双深度Q网络（DDQN）架构，使智能体能够聚焦于高影响经验并优化其策略。在进行了9000多轮训练后，采用奖励塑造策略促进谨慎决策，智能体在subject-dependent和subject-independent评估中均表现出稳健的性能。在subject-independent情境下，模型实现了最高可达8.72秒的预测视野，而在subject-dependent设置下为7.89秒。这些结果凸显了该模型在可穿戴辅助设备中的潜力，为为PD患者提供及时且个性化的干预，有效缓解FOG。
引用
@article{arxiv.2603.03651,
title = {Freezing of Gait Prediction using Proactive Agent that Learns from Selected Experience and DDQN Algorithm},
author = {Septian Enggar Sukmana and Sang Won Bae and Tomohiro Shibata},
journal= {arXiv preprint arXiv:2603.03651},
year = {2026}
}
备注
Accepted on Activity and Behavior Computing (ABC) 2026 Conference (https://autocare.ai/abc2026) and will be published on International Journal of Activity and Behavior Computing (IJABC) (International Journal of Activity and Behavior Computing)