自监督学习与机会主义推理在帕金森病患者步态冻结连续监测中的应用

《ACM Transactions on Computing for Healthcare》：Self-Supervised Learning and Opportunistic Inference for Continuous Monitoring of Freezing of Gait in Parkinson’s Disease

帕金森病步态冻结实时监测研究提出LIFT-PD框架，采用单腰加速度计通过自监督学习与差分跳跃窗口技术实现低功耗（持续48小时）高精度（比传统模型提升7.25%精度、4.4%准确率）检测，仅需40%标注样本。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

帕金森病（PD）通过导致运动障碍的症状（如步态冻结（FoG）严重影响患者的生活质量。在家庭中持续监测 FoG 对及时进行临床干预至关重要，但由于高功耗、标注成本以及当前可穿戴设备所需的受控环境，这仍然具有挑战性。我们介绍了 LIFT-PD¹，这是一种新颖的自我监督学习（SSL）框架，用于实时、独立于患者的 FoG 检测，该框架独特地使用了一个腰戴式加速度计——传统上认为这种方法由于步态特征较弱而不够理想。LIFT-PD 利用从不受控制的真实世界环境中收集的未标记数据，并采用了一种新颖的差分跳跃窗口技术（DHWT）来应对步态变化和数据集不平衡问题。此外，一个机会主义推理模块仅在患者移动时激活深度学习模型，从而显著降低功耗，并实现连续监测（长达 48 小时）。实验结果表明，与监督学习和半监督基线模型相比，LIFT-PD 的精度提高了 7.25%，准确性提高了 4.4%，同时所需的标记训练样本数量减少了约 40%。在包括病情严重程度、用药状态、年龄和性别在内的多种患者特征方面的评估证实了该模型的稳健性和临床适用性，使 LIFT-PD 成为一种实用、节能且可扩展的解决方案，适用于帕金森病患者的连续实时 FoG 监测。

AI 摘要

AI 生成的摘要（实验结果）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章是权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。