基于可穿戴传感器数据的帕金森震颤分类机器学习策略综述
机器学习
2025-02-03 v1 信号处理
摘要
帕金森病（PD）是一种需及时准确诊断以实现有效管理的神经系统疾病。机器学习（ML）作为提升PD分类和诊断准确性的强大工具，尤其通过利用可穿戴传感器数据而日益流行。本综述全面回顾了当前用于分类帕金森震颤的机器学习方法，评估了各种震颤数据获取方法、时频域信号预处理技术及特征选择方法，突出实用化的分类策略。综述探讨了现有研究中所使用的机器学习模型，涵盖从支持向量机（SVM）和随机森林等传统方法到卷积神经网络（CNN）和长短期记忆网络（LSTM）等前沿深度学习架构。我们评估了这些模型在分类PD相关震颤模式方面的效果，考虑其优势与局限性。此外，讨论了当前研究中的挑战与差异以及更广泛地将机器学习应用于基于可穿戴传感器的PD诊断中的挑战。我们还概述了未来研究方向，以推动机器学习在PD诊断中的应用，为研究人员和实践者提供洞见。
引用
@article{arxiv.2501.18671,
title = {Machine Learning Strategies for Parkinson Tremor Classification Using Wearable Sensor Data},
author = {Jesus Paucar-Escalante and Matheus Alves da Silva and Bruno De Lima Sanches and Aurea Soriano-Vargas and Laura Silveira Moriyama and Esther Luna Colombini},
journal= {arXiv preprint arXiv:2501.18671},
year = {2025}
}
备注
28 pages, 9 figures, 3 tables, Journal Artificial Intelligence In Medicine