面向放松多模态输入的行走步态-基于帕金森病评估
人工智能
2025-11-05 v2
摘要
帕金森病评估近年来受到广泛关注，尤其是随着传感器数据和机器学习技术的出现。其中，多模态方法已显示出通过有效整合来自各种数据源的互补信息而取得优异性能。然而，两个主要局限性阻碍了其实际应用：（1）在训练期间需要同步所有模态，和（2）在推断时依赖于所有模态。为此，我们提出首个将多模态学习表述为多目标优化(MOO)问题的帕金森评估系统。这不仅允许在训练和推断期间实现更灵活的模态要求，还能处理多模态信息融合中的模态坍缩问题。此外，为缓解单个模态内的不平衡，我们引入基于边际的类别再平衡策略以增强类别学习。在三个公开数据集上进行大量实验，分别在同步和异步设置下。结果表明，我们的框架- Towards Relaxed InPuts(TRIP)-在异步设置下以16.48、6.89和11.55个百分点的提升，以及在同步设置下以4.86和2.30个百分点的提升，超过了最佳基准，凸显了其有效性和适应性。
引用
@article{arxiv.2510.15748,
title = {Towards Relaxed Multimodal Inputs for Gait-based Parkinson's Disease Assessment},
author = {Minlin Zeng and Zhipeng Zhou and Yang Qiu and Martin J. McKeown and Zhiqi Shen},
journal= {arXiv preprint arXiv:2510.15748},
year = {2025}
}