[论文解读] Feature-Set-Engineering for Detecting Freezing of Gait in Parkinson's Disease using Deep Recurrent Neural Networks

Spyroula Masiala, Willem Huijbers+1 more|arXiv (Cornell University)|Sep 8, 2019

Gait Recognition and Analysis参考文献 49被引用 9

一句话总结

本文提出一种基于长短期记忆（LSTM）单元的深度循环神经网络，利用三轴加速度计数据检测帕金森病患者的步态冻结（FoG）。通过从躯干和多传感器数据中工程化频域和统计特征，该方法在受试者独立设置下达到93% AUC，在受试者依赖设置下达到97% AUC，显著优于现有最先进方法。

ABSTRACT

Freezing of gait (FoG) is a common gait disability in Parkinson's disease, that usually appears in its advanced stage. Freeze episodes are associated with falls, injuries, and psychological consequences, negatively affecting the patients' quality of life. For detecting FoG episodes automatically, a highly accurate detection method is necessary. This paper presents an approach for detecting FoG episodes utilizing a deep recurrent neural network (RNN) on 3D-accelerometer measurements. We investigate suitable features and feature combinations extracted from the sensors' time series data. Specifically, for detecting FoG episodes, we apply a deep RNN with Long Short-Term Memory cells. In our experiments, we perform both user dependent and user independent experiments, to detect freeze episodes. Our experimental results show that the frequency domain features extracted from the trunk sensor are the most informative feature group in the subject independent method, achieving an average AUC score of 93%, Specificity of 90% and Sensitivity of 81%. Moreover, frequency and statistical features of all the sensors are identified as the best single input for the subject dependent method, achieving an average AUC score of 97%, Specificity of 96% and Sensitivity of 87%. Overall, in a comparison to state-of-the-art approaches from literature as baseline methods, our proposed approach outperforms these significantly.

研究动机与目标

• 开发一种高精度、自动化的步态冻结（FoG）检测方法，利用可穿戴传感器数据检测帕金森病患者的FoG发作。
• 研究不同特征集和传感器位置（脚踝、大腿、躯干）对FoG检测性能的影响。
• 在受试者依赖和受试者独立的评估设置下，将所提出的深度循环神经网络方法与现有最先进基线方法进行比较。
• 通过识别对FoG检测最具信息量的特征组，实现计算可解释性。
• 通过在多样化患者运动模式下保持稳健性能并降低过拟合风险，支持实际部署。

提出的方法

• 该方法使用带有长短期记忆（LSTM）单元的深度循环神经网络（RNN），以建模三轴加速度计时间序列数据中的时序依赖性。
• 通过时域、频域和统计方法，从多个传感器位置（脚踝、大腿、躯干）的传感器数据中提取特征。
• 基于科学文献和实证性能进行特征选择，重点关注频域和统计特征，以获得最优输入表示。
• 使用Daphnet基准数据集，在受试者依赖和受试者独立设置下进行模型训练和评估。
• 采用SMOTE的平衡评估程序，以缓解类别不平衡问题，并降低对多数类的过拟合风险。
• 公开发布模型和实验的代码，以确保可复现性并促进未来研究。

实验结果

研究问题

• RQ1 在受试者独立设置下，从三轴加速度计数据中提取的哪些特征组对检测步态冻结最具信息量？
• RQ2 在受试者依赖设置下，传感器位置和特征类型的最优组合是什么，以最大化检测性能？
• RQ3 所提出的基于深度LSTM的方法在AUC、敏感性和特异性方面与现有最先进方法相比如何？
• RQ4 该模型是否能在无需微调的情况下有效泛化到不同患者（即受试者独立性能）？
• RQ5 来自躯干传感器的频域特征在实现稳健FoG检测方面贡献有多大？

主要发现

• 在受试者独立设置下，来自躯干传感器的频域特征表现最佳，平均AUC为93%，特异性为90%，敏感性为81%。
• 在受试者依赖设置下，所有传感器的频域和统计特征组合表现最优，平均AUC达97%，特异性为96%，敏感性为87%。
• 所提方法在受试者依赖和受试者独立评估中均显著优于现有最先进基线方法，尤其在敏感性和AUC方面表现突出。
• 该模型在不同患者间表现出强鲁棒性，所有个体的性能均保持稳定（AUC > 92.4%，敏感性 > 55%，特异性 > 80%），避免了先前研究中常见的过拟合问题。
• 仅使用躯干传感器即可实现有效的FoG检测，表明未来可实现轻量化可穿戴设备或基于智能手机的检测系统。
• 采用SMOTE的平衡评估方法提升了模型泛化能力并减少了偏差，尤其优于以往使用纯随机交叉验证的方法。