基于可穿戴传感器数据的帕金森病步态冻结症状检测
计算机视觉与模式识别
2025-06-17 v1 信号处理
摘要
步态冻结（FoG）是帕金森病（PD）患者中出现的一种特殊症状。患有 FoG 的患者会突然丧失正常行走的能力。患者佩戴的加速度计可以记录这些发作期间的运动数据，机器学习算法可用于对这些信息进行分类。因此，两者的结合可能能够实时识别 FoG。为了从加速度计数据中识别 FoG 事件，本文引入了 Transformer Encoder-Bi-LSTM 融合模型。该模型区分 FoG 发作与正常运动的能力被用于评估其性能，在 Kaggle Parkinson's Freezing of Gait 数据集上，所提出的 Transformer Encoder-Bi-LSTM 融合模型取得了 92.6% 的准确率、80.9% 的 F1 分数和 52.06% 的平均精度。研究结果强调了基于深度学习的方法在推动 FoG 识别领域发展以及帮助 PD 患者获得更好治疗和管理方案方面的潜力。
引用
@article{arxiv.2506.12561,
title = {Parkinson's Disease Freezing of Gait (FoG) Symptom Detection Using Machine Learning from Wearable Sensor Data},
author = {Mahmudul Hasan},
journal= {arXiv preprint arXiv:2506.12561},
year = {2025}
}