基于足底压力信号转图像的深度学习方法用于帕金森病步态分类

《Diagnostics》：Deep Learning-Based Parkinson’s Disease Classification Using RGB Plantar Pressure Gait Images: A Comparative Study of CNN and Transformer Architectures

　　

摘要

背景/目的：帕金森病（PD）与步态异常相关，这些异常可提供关于运动功能的量化信息。本研究开发并评估了一种信号转图像的深度学习方法，利用足底压力步态信号区分已确诊PD的参与者与健康对照组。方法：将PhysioNet帕金森病步态数据库中的VGRF信号转换为RGB图像，编码左脚压力、右脚压力及双侧绝对差值。评估了ResNet50、EfficientNet-B0、ViT-Tiny和Swin-Tiny在三种分辨率下的表现，并与1D-CNN和BiLSTM基线进行比较。执行了重复受试者级别的五折交叉验证（三次重复）和参与者级别的Bootstrap分析。结果：在RGB模型中，384×384分辨率的ViT-Tiny达到了平均准确率77.64%、F1分数82.82%和AUC 86.40%。在384×384的Swin-Tiny消融实验中，双侧绝对差值表示获得了最高的平均AUC（86.68%）。然而，其在参与者级别的AUC相对于RGB的优越性未具有统计学显著性（ΔAUC = 0.030，95% CI: ?0.011至0.068）。结论：基于信号的步态图像为帕金森病分类提供了一种可行的方法，双侧差值信息显示出潜在的判别价值。