LSTM-CNN：一种利用动态笔迹分析高效诊断帕金森病的网络
人工智能
2023-11-21 v1
摘要
背景与目的：动态笔迹分析因其非侵入性与易获取性，近来成为帕金森病早期诊断的重要辅助手段。本研究设计一种紧凑高效网络架构，分析患者动态笔迹信号的独特书写模式，从而为帕金森病诊断提供客观辨识。方法：所提网络基于混合深度学习方案，充分发挥长短期记忆（LSTM）与卷积神经网络（CNN）两者优势。具体而言，LSTM块用于提取时变特征，而基于CNN的块采用一维卷积以实现低计算成本。此外，该混合模型架构在消融研究中持续优化以获得更优性能。最后，我们通过五折交叉验证评估所提方法及其泛化性，验证其效率与鲁棒性。结果：所提网络在新构建的DraWritePD数据集（96.2%）与成熟PaHaW数据集（90.7%）上均取得令人印象深刻的分类准确率，彰显其通用性。该网络架构还以优异轻量设计见长，参数量仅0.084M，总浮点运算量仅0.59M。其亦展现近实时CPU推理性能，推理时间介于0.106至0.220s。结论：我们给出系列实验与广泛分析，系统性证明了所提混合神经网络在提取独特笔迹模式以精确诊断帕金森病上的有效性与高效性。
引用
@article{arxiv.2311.11756,
title = {LSTM-CNN: An efficient diagnostic network for Parkinson's disease utilizing dynamic handwriting analysis},
author = {Xuechao Wang and Junqing Huang and Sven Nomm and Marianna Chatzakou and Kadri Medijainen and Aaro Toomela and Michael Ruzhansky},
journal= {arXiv preprint arXiv:2311.11756},
year = {2023}
}