[论文解读] Parkinson's Disease Assessment from a Wrist-Worn Wearable Sensor in Free-Living Conditions: Deep Ensemble Learning and Visualization

Terry Taewoong Um, Franz Pfister+6 more|arXiv (Cornell University)|Aug 8, 2018

Neurological disorders and treatments参考文献 23被引用 12

一句话总结

本文提出了一种基于可穿戴加速度计数据的深度集成学习框架，用于在自由生活条件下评估帕金森病患者的运动状态。通过结合多个卷积神经网络并应用类别激活图以提高可解释性，该方法在面对患者间运动模式差异的情况下，仍能在多样化患者群体中实现稳健的性能。

ABSTRACT

Parkinson's Disease (PD) is characterized by disorders in motor function such as freezing of gait, rest tremor, rigidity, and slowed and hyposcaled movements. Medication with dopaminergic medication may alleviate those motor symptoms, however, side-effects may include uncontrolled movements, known as dyskinesia. In this paper, an automatic PD motor-state assessment in free-living conditions is proposed using an accelerometer in a wrist-worn wearable sensor. In particular, an ensemble of convolutional neural networks (CNNs) is applied to capture the large variability of daily-living activities and overcome the dissimilarity between training and test patients due to the inter-patient variability. In addition, class activation map (CAM), a visualization technique for CNNs, is applied for providing an interpretation of the results.

研究动机与目标

• 开发一种自动化的、基于可穿戴设备的系统，用于在自由生活条件下评估帕金森病患者的运动状态。
• 通过卷积神经网络的集成方法，解决运动症状在患者间的差异性问题。
• 通过类别激活图（CAM）可视化技术，提高模型的可解释性。
• 利用低成本可穿戴传感器实现实时、连续的运动波动监测。
• 通过区分药物作用状态（用药/停药）和异动症等运动状态，支持临床决策。

提出的方法

• 在日常活动中，从可穿戴腕部传感器收集的加速度计数据上训练多个卷积神经网络（CNNs）的集成模型。
• 通过聚合不同网络架构的预测结果，集成方法增强了鲁棒性，降低了对单个模型偏差的敏感性。
• 应用类别激活图（CAMs）以可视化传感器信号中对模型预测贡献最大的时间片段。
• 该方法处理来自手腕的原始加速度计信号，以检测震颤、动作迟缓和异动症等运动症状。
• 模型在真实世界、非临床环境下的患者数据上进行训练和评估，以确保生态效度。
• 通过利用集成的多样性，减轻了患者间的差异性，使模型在不同运动模式下具有更好的泛化能力。

实验结果

研究问题

• RQ1 深度集成学习模型能否在自由生活条件下，基于可穿戴加速度计数据准确分类帕金森病患者的运动状态？
• RQ2 在患者间运动模式存在差异的情况下，该集成架构相比单个CNN模型在性能上有哪些提升？
• RQ3 类别激活图在多大程度上能提供对模型预测具有临床意义的解释？
• RQ4 该系统能否在无需控制实验室环境的条件下，检测到临床相关的运动状态，如用药/停药状态和异动症？
• RQ5 该模型在不同疾病进展程度和运动模式的患者中，泛化能力如何？

主要发现

• 深度集成模型在真实世界环境中，基于可穿戴加速度计数据对帕金森病运动状态的分类达到了高准确率。
• 集成方法显著优于单个CNN模型，尤其在处理患者间运动模式差异方面表现更优。
• 类别激活图提供了可解释的可视化结果，突出了与特定运动症状相关联的加速度计信号的时间片段。
• 该系统成功检测到在临床环境外的日常活动中出现的运动波动，包括异动症和药物效应。
• 该方法在多样化患者群体中表现出强鲁棒性和泛化能力，显示出在真实世界临床部署的潜力。
• 可视化技术的整合增强了临床医生对深度学习预测结果的信任度和可解释性。