1D-Convolutional transformer for Parkinson disease diagnosis from gait

要約

本稿では、歩行からパーキンソン病を診断するための効率的なディープニューラルネットワークモデルを紹介する。より具体的には、重症度段階を検出することで病気を正確に診断するための、ConvNetとトランスフォーマーのハイブリッドアーキテクチャを紹介する。提案するアーキテクチャは、畳み込みニューラルネットワークとトランスフォーマーの両方の長所を単一のエンドツーエンドモデルで利用するものであり、前者は垂直接地反力（VGRF）信号から関連する局所的特徴を抽出することができ、後者はデータの長期的な時空間依存性を捉えることができる。このようにして、我々のハイブリッド・アーキテクチャは、どちらかのモデルを単独で使用する場合と比較して、改善された性能を達成する。我々の実験結果は、我々のアプローチが歩行データからパーキンソン病の異なるステージを検出するのに有効であることを示しており、最終的な精度は88%で、Physionet歩行データセットにおいて他の最先端のAI手法を凌駕している。さらに、本手法は、1次元信号における特徴の関連性と時空間依存性の問題に共同で対処するため、他の分類問題にも一般化し適応することができる。我々のソースコードと訓練済みモデルは、https://github.com/SafwenNaimi/1D-Convolutional-transformer-for-Parkinson-disease-diagnosis-from-gait で公開されている。

要約(オリジナル)

This paper presents an efficient deep neural network model for diagnosing Parkinson’s disease from gait. More specifically, we introduce a hybrid ConvNet-Transformer architecture to accurately diagnose the disease by detecting the severity stage. The proposed architecture exploits the strengths of both Convolutional Neural Networks and Transformers in a single end-to-end model, where the former is able to extract relevant local features from Vertical Ground Reaction Force (VGRF) signal, while the latter allows to capture long-term spatio-temporal dependencies in data. In this manner, our hybrid architecture achieves an improved performance compared to using either models individually. Our experimental results show that our approach is effective for detecting the different stages of Parkinson’s disease from gait data, with a final accuracy of 88%, outperforming other state-of-the-art AI methods on the Physionet gait dataset. Moreover, our method can be generalized and adapted for other classification problems to jointly address the feature relevance and spatio-temporal dependency problems in 1D signals. Our source code and pre-trained models are publicly available at https://github.com/SafwenNaimi/1D-Convolutional-transformer-for-Parkinson-disease-diagnosis-from-gait.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL