基于半参数可加回归与 LSTM-FCN 分层分类的帕金森病运动迟缓计算机视觉量化统计分析
计算机视觉与模式识别
2024-04-02 v1 定量方法
应用统计
摘要
运动迟缓表现为不自主的运动减慢或幅度衰减，是帕金森病的核心症状，对其临床诊断至关重要。尽管已有多种量化运动迟缓的方法被探索，但基于计算机视觉的方法展现出了良好的前景。然而，这些方法往往未能充分处理重复性肢体运动中运动迟缓的关键特征：“偶发停顿”与“幅度衰减”。本研究通过引入精细的数值分析以捕捉幅度衰减，并采用简单的深度学习技术 LSTM-FCN 对偶发停顿进行精确分类，推进了基于视觉的运动迟缓量化。我们的方法将分类过程分层构建，以适应帕金森病中运动迟缓的独特动态特征。对提取特征（包括代表停顿和疲劳的特征）的统计分析表明，在大多数情况下它们具有统计学意义。这一发现强调了在肢体运动的运动迟缓量化中考虑“偶发停顿”与“幅度衰减”的重要性。我们增强的诊断工具已在包含来自 310 名 PD 患者的 1396 段运动视频的庞大数据集上进行了严格测试，达到了 80.3% 的准确率。结果证实了我们方法的鲁棒性与可靠性。
引用
@article{arxiv.2404.00670,
title = {Statistical Analysis by Semiparametric Additive Regression and LSTM-FCN Based Hierarchical Classification for Computer Vision Quantification of Parkinsonian Bradykinesia},
author = {Youngseo Cho and In Hee Kwak and Dohyeon Kim and Jinhee Na and Hanjoo Sung and Jeongjae Lee and Young Eun Kim and Hyeo-il Ma},
journal= {arXiv preprint arXiv:2404.00670},
year = {2024}
}