PULSAR：基于图的正未标记学习与多流自适应卷积的帕金森病识别
计算机视觉与模式识别
2024-02-19 v2 机器学习
摘要
帕金森病是一种影响运动、言语和协调能力的神经退行性疾病。及时的诊断和治疗可以提高 PD 患者的生活质量。然而，在中低收入国家，获得临床诊断的机会有限。因此，开发自动化的 PD 筛查工具可以产生巨大的社会影响，尤其是在公共卫生领域。在本文中，我们提出了 PULSAR，一种利用运动障碍学会统一帕金森病评分量表（MDS-UPDRS）中手指敲击任务的网络摄像头录制视频来筛查 PD 的新方法。PULSAR 在从 382 名参与者（183 名自我报告为 PD 患者）收集的数据上进行了训练和评估。我们使用自适应图卷积神经网络动态学习手指敲击任务特有的时空图边缘。我们通过多流自适应卷积模型增强了这一想法，以从对检测 PD 至关重要的不同数据模态中学习特征，例如手指关节的相对位置、敲击的速度和加速度。由于视频的标签是自我报告的，非 PD 标记样本中可能存在未确诊的 PD 病例。我们利用了不需要标记负数据的正未标记学习思想。我们的实验清楚地表明了以这种方式对问题进行建模的益处。尽管使用有限的数据进行训练，PULSAR 在验证集中达到了 80.95% 的准确率，在独立测试中达到了 71.29% 的平均准确率（标准差为 2.49%）。这尤其令人振奋，因为医疗保健领域的标记数据非常稀缺。我们希望 PULSAR 能让每个人更容易地进行 PD 筛查。所提出的技术可以扩展用于评估其他运动障碍，例如共济失调和亨廷顿病。
引用
@article{arxiv.2312.05780,
title = {PULSAR: Graph based Positive Unlabeled Learning with Multi Stream Adaptive Convolutions for Parkinson's Disease Recognition},
author = {Md. Zarif Ul Alam and Md Saiful Islam and Ehsan Hoque and M Saifur Rahman},
journal= {arXiv preprint arXiv:2312.05780},
year = {2024}
}