論文の概要: Bi-cephalic self-attended model to classify Parkinson's disease patients with freezing of gait
- arxiv url: http://arxiv.org/abs/2507.20862v1
- Date: Mon, 28 Jul 2025 14:16:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:58.154376
- Title: Bi-cephalic self-attended model to classify Parkinson's disease patients with freezing of gait
- Title(参考訳): 歩行凍結を伴うパーキンソン病患者の二頭性自己注視モデル
- Authors: Shomoita Jahid Mitin, Rodrigue Rizk, Maximilian Scherer, Thomas Koeglsperger, Daniel Lench, KC Santosh, Arun Singh,
- Abstract要約: 本研究の目的は,PD患者の歩行障害を検出するための客観的,データ駆動型,マルチモーダル分類モデルを開発することである。
静止状態脳波と記述変数から抽出した特徴を、新しい二頭性自己注意モデル(BiSAM)の訓練に用いた。
- 参考スコア(独自算出の注目度): 2.8658669653771334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parkinson Disease (PD) often results in motor and cognitive impairments, including gait dysfunction, particularly in patients with freezing of gait (FOG). Current detection methods are either subjective or reliant on specialized gait analysis tools. This study aims to develop an objective, data-driven, and multi-modal classification model to detect gait dysfunction in PD patients using resting-state EEG signals combined with demographic and clinical variables. We utilized a dataset of 124 participants: 42 PD patients with FOG (PDFOG+), 41 without FOG (PDFOG-), and 41 age-matched healthy controls. Features extracted from resting-state EEG and descriptive variables (age, education, disease duration) were used to train a novel Bi-cephalic Self-Attention Model (BiSAM). We tested three modalities: signal-only, descriptive-only, and multi-modal, across different EEG channel subsets (BiSAM-63, -16, -8, and -4). Signal-only and descriptive-only models showed limited performance, achieving a maximum accuracy of 55% and 68%, respectively. In contrast, the multi-modal models significantly outperformed both, with BiSAM-8 and BiSAM-4 achieving the highest classification accuracy of 88%. These results demonstrate the value of integrating EEG with objective descriptive features for robust PDFOG+ detection. This study introduces a multi-modal, attention-based architecture that objectively classifies PDFOG+ using minimal EEG channels and descriptive variables. This approach offers a scalable and efficient alternative to traditional assessments, with potential applications in routine clinical monitoring and early diagnosis of PD-related gait dysfunction.
- Abstract(参考訳): パーキンソン病(PD)は、歩行障害を含む運動障害や認知障害、特に歩行凍結症(FOG)の患者にしばしば起こる。
現在の検出方法は、主観的または特殊な歩行分析ツールに依存している。
本研究は,脳波信号と統計学的,臨床的変数を併用したPD患者の歩行障害を検出するための,客観的,データ駆動型,マルチモーダル分類モデルを開発することを目的とする。
対象は, FOG(PDFOG+)42例, FOG(PDFOG-)41例, 健常者41例であった。
安静時脳波と記述変数(年齢,教育,病期)から抽出した特徴を,バイセプティック・セルフアテンション・モデル(BiSAM)の訓練に用いた。
脳波チャンネルサブセット(BiSAM-63,-16, -8, -4)で信号のみ, 記述のみ, マルチモーダルの3つのモードを検討した。
信号のみのモデルと記述のみのモデルでは、それぞれ55%と68%の精度で性能が制限された。
対照的に、マルチモーダルモデルでは、BiSAM-8とBiSAM-4が88%という高い分類精度を達成した。
これらの結果から,ロバストなPDFOG+検出のために,脳波と客観的記述機能を統合することの価値が示された。
本研究では,最小のEEGチャネルと記述変数を用いてPDFOG+を客観的に分類するマルチモーダル・アテンションベースアーキテクチャを提案する。
このアプローチは従来の評価法に代わるスケーラブルで効率的な代替手段であり、定期的な臨床モニタリングやPD関連歩行障害の早期診断に応用できる可能性がある。
関連論文リスト
- Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である
この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
論文 参考訳(メタデータ) (2025-02-18T12:01:55Z) - Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。
我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。
SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
論文 参考訳(メタデータ) (2025-02-15T06:33:02Z) - Machine Learning-Based Differential Diagnosis of Parkinson's Disease Using Kinematic Feature Extraction and Selection [0.6249768559720121]
パーキンソン病(英: Parkinson's disease、PD)は、神経変性疾患の2番目に多い疾患である。
PDは進行性核上性麻痺(PSP)や多系統萎縮(MSA)などの他の神経変性疾患と症状を共有している
本稿では,PD,PSP,MSA,健康管理の鑑別診断を行う機械学習システムを提案する。
論文 参考訳(メタデータ) (2025-01-02T14:43:39Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳(メタデータ) (2024-07-10T19:17:23Z) - Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance [41.373856519548404]
Dynamic Uncertain Causality Graph (DUCG)アプローチは、さまざまなアプリケーションシナリオで因果性駆動、説明可能、不変である。
54件の主訴を含む46件のDUCGモデルが製造された。
実際の診断は100万件以上行われており、誤診断は17例に過ぎなかった。
論文 参考訳(メタデータ) (2024-06-09T11:37:45Z) - Evaluating Echo State Network for Parkinson's Disease Prediction using
Voice Features [1.2289361708127877]
本研究の目的は,偽陰性の最小化と高精度化を両立できる診断モデルを開発することである。
Echo State Networks (ESN)、Random Forest、k-nearest Neighbors、Support Vector、Extreme Gradient Boosting、Decision Treeなど、さまざまな機械学習手法が採用され、徹底的に評価されている。
ESNは83%の症例で8%未満の偽陰性率を維持している。
論文 参考訳(メタデータ) (2024-01-28T14:39:43Z) - A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's
Disease Diagnosis Using Resting State EEG Signals [8.526741765074677]
本研究では,脳波信号を用いたパーキンソン病(PD)の深層学習モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、双方向ゲートリカレントユニット(Bi-GRU)、アテンションメカニズムからなるハイブリッドモデルを用いて設計されている。
その結果,提案モデルでは,トレーニングとホールドアウトデータセットの両方でPDを高精度に診断できることが示唆された。
論文 参考訳(メタデータ) (2023-08-14T20:06:19Z) - Sparse Dynamical Features generation, application to Parkinson's Disease
diagnosis [0.0]
本稿では,脳波の動的,頻度,時間的内容を用いて脳の機能に着想を得た新しいアプローチを提案する。
本手法は,N=50名の被験者を含む3眼球聴覚タスク中に記録された脳波信号を含む公開データセットを用いて評価し,そのうち25名がPDに罹患した。
論文 参考訳(メタデータ) (2022-10-20T22:39:29Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。