自我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技术LIFT-PD基于单腰加速度计和自监督学习框架，通过差分跳跃窗口技术解决步态变异和样本不均衡问题，结合机会推理模块实现低功耗（48小时续航）与高精度（较传统模型提升7.25%精度、4.4%准确率），仅需40%更少标注样本，并验证了跨患者群体（严重程度、用药状态、年龄、性别）的鲁棒性。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

帕金森病（PD）通过导致运动症状（如步态冻结（FoG）而严重影响患者的生活质量。持续的家庭监测对于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，这是一种新颖的自监督学习（SSL）框架，用于实时、独立于患者的步态冻结检测，它独特地使用了一个腰戴式加速度计——这种方法传统上被认为效果较差，因为步态特征较弱。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进行SSL训练，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%。针对不同患者特征（包括病情严重程度、用药状态、年龄和性别）的评估证实了该模型的鲁棒性和临床适用性，使其成为帕金森病患者连续监测步态冻结的实用、节能且可扩展的解决方案。

人工智能摘要

人工智能生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解该研究工作。它旨在补充作者提供的摘要，后者仍然是论文的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、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。

要查看此由人工智能生成的通俗语言摘要，您必须拥有高级访问权限。