基于多尺度频率感知对抗网络的帕金森病可穿戴传感器评估
机器学习
2025-10-14 v1
摘要
使用可穿戴传感器对帕金森病（PD）严重程度进行评估，为临床管理提供了有效、客观的基础。然而，通用的时间序列模型在特征提取中往往缺乏病理特异性，难以捕捉与PD高度相关的细微信号。此外，PD症状的时间稀疏性导致关键诊断特征容易被传统的聚合方法“稀释”，进一步增加了评估的复杂性。为了解决这些问题，我们提出了多尺度频率感知对抗多实例网络（MFAM）。该模型通过一个由医学先验知识引导的频率分解模块增强了特征特异性。此外，通过引入基于注意力的多实例学习（MIL）框架，模型能够自适应地关注最具诊断价值的稀疏片段。我们在用于PD与鉴别诊断（DD）二分类的公开PADS数据集以及一个用于四分类严重程度评估的私有数据集上全面验证了MFAM。实验结果表明，MFAM在处理具有特异性的复杂临床时间序列方面优于通用时间序列模型，为帕金森病严重程度的自动评估提供了一种有前景的解决方案。
引用
@article{arxiv.2510.10558,
title = {Multi-scale Frequency-Aware Adversarial Network for Parkinson's Disease Assessment Using Wearable Sensors},
author = {Weiming Zhao and Xulong Wang and Jun Qi and Yun Yang and Po Yang},
journal= {arXiv preprint arXiv:2510.10558},
year = {2025}
}