基于注意力增强 CNN BiLSTM 的手指敲击式帕金森病多类别检测
计算机视觉与模式识别
2025-11-12 v2
摘要
准确评估帕金森病 (PD) 病情严重程度对于有效的临床管理和干预开发至关重要。尽管提出了许多基于手势的 PD 识别系统，包括使用手指敲击任务来评估帕金森症状，但其性能仍不令人满意。本研究提出了一种基于手指敲击的多类别 PD 检测系统，采用注意力增强 CNN BiLSTM 框架结合手工特征提取和深度学习技术。在该过程中，我们使用现有的数据集从手腕和手部运动中提取基于时间、频率和振幅的特征。这些手工特征随后通过我们的注意力增强 CNN BiLSTM 模型处理，该模型是一种集成 CNN、BiLSTM 和注意力机制的混合深度学习框架，用于将 PD 病情分为多个等级。特征首先通过 Conv1D 最大池化块捕获局部空间依赖性，然后通过 BiLSTM 层建模运动的时间动态。应用注意力机制以强调最具信息性的时间特征，这些特征随后通过第二个 BiLSTM 层进行细化。CNN 提取的特征和注意力增强 BiLSTM 的输出被拼接，随后经过稠密层和 dropout 层，最终通过 softmax 分类器预测 PD 病情等级。我们的模型在区分五个病情等级方面表现出色，展示了结合空间时间表示与注意力机制用于自动化 PD 病情检测的有效性。这种方法为辅助临床医生监测 PD 病情进展并做出明智的治疗决策提供了有前景的非侵入性工具。
引用
@article{arxiv.2510.10121,
title = {Multi Class Parkinson Disease Detection Based on Finger Tapping Using Attention Enhanced CNN BiLSTM},
author = {Abu Saleh Musa Miah and Najmul Hassan and Md Maruf Al Hossain and Yuichi Okuyama and Jungpil Shin},
journal= {arXiv preprint arXiv:2510.10121},
year = {2025}
}