学术动态
您当前的位置: > 动态研究  > 学术动态

适用于帕金森病早期诊断的可解释的深度学习架构

  • 期号:2023-04 总112期

Yi-Wei Ma1,Jiann-Liang Chen1,Yan-Ju Chen1,Ying-Hsun Lai2

(1.Department of Electrical Engineering, National Taiwan University of Science and Technology, Taipei, Taiwan,

2.Department of Computer Science and Information Engineering, National Taitung University, Taitung, Taiwan)

 

帕金森病(Parkinson’s disease,PD)是一种发生在中老年人中的神经退行性疾病。帕金森病的常见症状包括震颤、运动迟缓、肌肉僵硬、姿势和平衡受损、步态障碍、自动运动丧失、笔迹变化和言语变化。目前还没有治愈这种疾病的方法,只能通过手术和药物治疗来缓解。然而,所有药物都有副作用,会影响人们的日常生活。症状包括幻觉、抑郁、睡眠障碍和低血压。

在临床诊断中,帕金森病的症状与五个阶段有关。第1和第2阶段比其他阶段温和,使患者能够维持日常生活。但是,第4阶段和第5阶段的患者不能自己起床或移动,将由其他人照顾。帕金森病的早期诊断使用Hoehn&Yahr量表或统一的帕金森病评分量表(unified parkinson's disease rating scale,UPDRS)。但仍有许多问题有待解决。首先,患者根据自己的健康状况在上述两种量表上对自己进行评分,导致缺乏一致性和客观性。

步态异常是帕金森病最常见的症状之一。目前对帕金森病步态异常早期发现的研究分为三种方法:图像分析、智能信号处理和模式识别。信号阈值法包括计算单一指标,如步长、步长、行走速度和其他指标,以确定其是否处于与步态异常相关的范围内。然而,使用单个指示器准确确定患者的步态状况是困难的。并且识别异常的阈值可以很容易地随着样本的数量而变化。这种方法检测的准确性几乎不会提高。

患者的图像通常使用许多高质量的相机以各种角度拍摄。识别身体上的相应节点,以计算测试期间患者的连续步态状况。尽管这种方法可以完整地记录患者的检测过程,但图像计算的复杂性很高,需要设立一个专门的房间,配备专门的医护人员和检测人员。该方法带来了高昂的医疗成本。

当人工智能被用于分析步态信号时,涉及到数据处理。在该方法中,根据步态异常情况(如步态冻结、步幅间隔、步数等)计算连续的步态压力传感信号。在此期间发生的异常步态状况的信息被记录为可训练特征。最后,使用一种算法在获得的数据中找到识别异常步态的模式。基于人工智能的检测比传统的单阈值检测具有更高的识别率和可靠性。

近年来,大多数PD智能步态检测的研究都使用单一的算法来训练模型。在这项工作中,可解释的学习架构被用于PD的早期诊断。在数据预处理中,在学习架构中使用降维方法来降低数据集中的噪声。采用递归归约简方差分析(ANOVA with recursive reduction ,ARR)来提高降维效果。医学研究受到严格监管,因此很难获得相关数据。因此,将数据不平衡学习纳入架构中,提高了处理的有效性。在识别阶段,将机器学习与深度学习相结合,以提高训练模型的准确性,从而大大提高其稳定性。该研究主要关注以下几点:

(1)本研究开发了可解释的学习架构,以提高训练模型的性能。这种可解释的体系结构清楚地显示了对每个传感数据的处理,以帮助理解系统信息。

(2)从传感器数据的特征出发,分析了健康受试者和帕金森病患者之间的差异。将这22个特征全部提取出来,分为力域、峰值域和异常域三个域。

(3)为了解决数据集不平衡的问题,在学习架构中添加了合成少数过采样技术(a synthetic minority oversampling technique,SMOTE),提高了可信度。

(4)使用ARR来解决数据选择问题,大大提高了模型的有效性和稳定性。

 

资料来源:

根据Yi-Wei Ma等于2023年发表在Soft Computing期刊题目为《Explainable deep learning architecture for early diagnosis of Parkinson’s disease》的文章缩写整理而成。

(本文责任编辑:陈劭)


Copyright © 2021 RESEARCH INSTITUTE OF SMART SENIOR CARE. All rights reserved

京ICP备18021587号-6