利用多部位可穿戴传感器与卷积神经网络检测早期帕金森病

《Scientific Reports》：Detection of early-stage Parkinson’s disease using wearable sensors at multiple body locations and convolutional neural networks

　　

摘要

早期帕金森病表现为轻微的运动症状，这给及时诊断带来了困难。我们开发了一种非侵入性检测方法，利用可穿戴传感器和卷积神经网络，在6分钟步行测试中收集数据。从78名早期帕金森病患者和50名对照组受试者的六个身体部位获取时间序列数据。我们对直线行走阶段进行了分析，并额外提取了34个非线性步态特征，以便结合可解释的机器学习模型与深度学习技术。利用左臂陀螺仪数据，在直线行走的第一分钟内，该卷积神经网络的准确率达到了95.6%。时间分析表明，在1到2分钟的测量时间内，分类性能保持相对稳定，这说明短时间步态评估在早期帕金森病检测中具有潜在应用价值。使用部分非线性特征构建的机器学习模型，其性能与使用全部特征集的模型相当，且在测试的早期和晚期阶段表现出最佳的区分能力。尽管第一分钟的卷积神经网络分析获得了最高的准确率，但多阶段评估显示，可解释的特征能够捕捉到具有时间依赖性的运动特征，这些特征可以相互补充。这些研究结果表明，短时间的直线行走数据有助于高效准确地筛查早期帕金森病，而多阶段分析则能为早期运动功能障碍提供更为全面且具有生理学意义的描述。