基于可穿戴惯性传感器的层次化多任务学习用于全面步态评估

《npj Digital Medicine》：Hierarchical multi-task learning for comprehensive gait assessment using wearable inertial sensors

　　

摘要

利用可穿戴惯性传感器进行定量步态分析，为神经系统及肌肉骨骼疾病的规模化筛查、诊断和监测带来了巨大潜力。然而，现有的方法大多采用单任务学习范式，为每个临床目标单独训练模型，这限制了多目标处理能力、参数效率、预测一致性以及跨领域泛化能力。在此，我们提出了H-MTL框架，据我们所知，这是首个分层多任务学习框架，它能够将多达十种不同的步态分析任务（病理筛查、多粒度疾病分类、严重程度回归以及人口统计特征估算）整合到一个仅有0.61百万个参数的模型中，并通过与临床诊断树相一致的层次一致性损失函数来确保预测的一致性。在260名患有七种不同步态疾病的受试者身上进行的10折交叉验证中，H-MTL的筛查准确率达到了85.0 ± 4.1%，而且其参数数量仅为十个独立模型时的约1/14。在四个外部数据集（共456名受试者，34个评估指标）上的验证结果显示，该框架具有选择性迁移能力，在运动功能严重程度和神经退行性疾病分类方面表现优异，而在人口统计特征估算方面的表现则与基线模型相当。这些结果表明，H-MTL是一种轻量级且注重预测一致性的方法论概念验证，为利用可穿戴惯性传感器进行全面的临床步态评估奠定了理论基础。