基于智能手机和可解释深度学习的多发性硬化症步态远程表征
机器学习
2021-06-23 v2 信号处理
摘要
智能手机等数字技术在医疗健康应用中的出现，已展现出开发丰富、连续且客观的多发性硬化症（MS）残疾评估手段的可能性，这些手段可远程且在诊室外实施。本工作中，应用于智能手机惯性传感器数据的深度卷积神经网络（DCNN）相较于基于标准支持向量机（SVM）特征的方法，能更好区分健康者与 MS 受试者的步态。为克服远程生成健康数据所特有的低受试者数量、稀疏性与异构数据等局限，我们提出了一种来自相似大型开源数据集的迁移学习（TL）模型。我们的 TL 框架利用了从相似基于智能手机的传感器数据上收集的人体活动识别（HAR）任务中所学到的步态信息。"黑盒"深度网络缺乏透明性，仍是深度学习在临床应用中更广泛应用的最大障碍之一。后续工作因而旨在利用逐层相关性传播（LRP）通过相关性热图可视化 DCNN 的决策。借助 LRP 框架，可开始建立并理解从基于智能手机的惯性传感器数据中提取的、反映健康者与 MS 患者（PwMS）差异的模式。解释表明，基于步频的度量、步速以及与步态相关的信号扰动是区分 MS 残疾与健康受试者的显著特征。由高频诊室外评估生成的稳健且可解释的结果，可极大补充 PwMS 当前的诊室内评估图景，从而为更好的疾病管理技术提供信息，并促成更优治疗干预手段的开发。
引用
@article{arxiv.2103.09171,
title = {Interpretable Deep Learning for the Remote Characterisation of Ambulation in Multiple Sclerosis using Smartphones},
author = {Andrew P. Creagh and Florian Lipsmeier and Michael Lindemann and Maarten De Vos},
journal= {arXiv preprint arXiv:2103.09171},
year = {2021}
}