使用可穿戴传感器测量的步态周期数据进行帕金森病早期检测的集成深度学习框架：一种 CNN-GRU-GNN 方法

Alireza Rashnu; Armin Salimi-Badr

使用可穿戴传感器测量的步态周期数据进行帕金森病早期检测的集成深度学习框架：一种 CNN-GRU-GNN 方法

信号处理 2024-04-25 v1 机器学习

作者: Alireza Rashnu , Armin Salimi-Badr

摘要

高效的早期诊断对于应对帕金森病的复杂性至关重要，因为及时干预可以显著减轻症状进展并改善患者预后。在本文中，我们提出了一种开创性的深度学习架构，专为受试者的二元分类而定制，利用步态周期数据集促进帕金森病的早期检测。我们的模型利用了一维卷积神经网络 (CNN)、门控循环单元 (GRU) 和图神经网络 (GNN) 层的强大功能，协同捕获数据内的时间动态和空间关系。在这项工作中，位于受试者鞋底末端用于测量垂直地面反作用力 (vGRF) 的 16 个可穿戴传感器被视为图的顶点，它们的邻接关系被建模为该图的边，最后每个传感器的测量数据被视为其对应顶点的特征向量。因此，GNN 层可以通过学习适当的表示来提取这些传感器之间的关系。关于这些测量的动态性质，使用 GRU 和 CNN 在空间和时间上对其进行分析，并将它们映射到嵌入空间。值得注意的是，我们提出的模型实现了卓越的性能指标，准确率、精确率、召回率和 F1 分数分别达到 99.51%、99.57%、99.71% 和 99.64%。

关键词

帕金森病早期检测步态周期数据可穿戴传感器 CNN-GRU-GNN 图神经网络

引用

@article{arxiv.2404.15335,
  title  = {Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach},
  author = {Alireza Rashnu and Armin Salimi-Badr},
  journal= {arXiv preprint arXiv:2404.15335},
  year   = {2024}
}

使用可穿戴传感器测量的步态周期数据进行帕金森病早期检测的集成深度学习框架：一种 CNN-GRU-GNN 方法

摘要

关键词

引用

相关论文