基于深度卷积神经网络的帕金森步态识别

步态冻结(FOG)是晚期帕金森病患者最常见的症状,FOG的突然发作会造成患者的行走障碍。为患者佩戴FOG检测可穿戴设备助手是一种有效可行的治疗途径,当检测到FOG发作时,可穿戴设备助手为患者提供一段有节奏的听觉信号刺激患者恢复行走。针对FOG检测,提出一种系统式的特征学习方法。该方法采用一个基于深度学习的卷积神经网络,对原始输入信号自动地进行特征学习。采用监督式学习方法利用标签信息,使学习到的特征更具识别能力。在整个网络模型中,特征学习和分类互相加强使整个网络更加稳定,更具智能化。通过DAPHNet数据集进行验证,结果表明,该方法可以自动地进行特征学习并识别出步态冻结。与以往的阈值法实验结果相比,平均正确率提高到91.43%,灵敏性提高到85.58%,特异性提高到了93.63%。该方法可以在一定程度上代替人工干预,在处理频繁出现FOG症状的帕金森患者的治疗中具有重要意义。

基于长短时记忆网络(LSTM)的帕金森步态识别

长短期记忆网络是一种时间递归神经网络。与循环神经网络相比,其遗忘门、输入门和输出门的结构在预测时间序列上解决了时间序列中间间隔较长的重要时间被遗忘的问题。针对检测步态冻结这种具有时间序列特性的任务,提出一种基于LSTM的特征学习方法。通过DAPHNet数据集对该方法进行测试,结果表明,该方法可有效检测步态冻结的发生,在治疗经常出现步态冻结的帕金森症患者时有一定适用价值。