Freezing of Gait Detection Using Gramian Angular Fields and Federated Learning from Wearable Sensors

要約

すくみ歩行（FOG）は、可動性と安全性を損なうパーキンソン病（PD）の衰弱性症状です。
従来の検出方法は、患者内および患者間のばらつきによる課題に直面しており、ほとんどのシステムは制御された設定でテストされているため、現実世界での適用性が制限されています。
これらのギャップに対処するために、私たちは、制御されていない自由生活条件向けに設計された新しい FOG 検出システムである FOGSense を紹介します。
グラミアン角場 (GAF) 変換とフェデレーテッド ディープ ラーニングを使用して、従来の方法では見逃していた時間的および空間的な歩行パターンを捕捉します。
パブリック PD データセット「tdcsfog」を使用して FOGSense システムを評価しました。
FOGSense は、単軸加速度計と比べて精度が 10.4% 向上し、マルチセンサー システムと比較して障害点が減少し、欠損値に対する堅牢性を示します。
フェデレーション アーキテクチャにより、パーソナライズされたモデルの適応とオフピーク時間中の効率的なスマートフォンの同期が可能になり、症状の進行に応じた長期的な監視に効果的になります。
全体として、FOGSense は最先端の方法と比較して F1 スコアの 22.2% の向上を達成し、FOG エピソード検出の感度も向上しました。
コードはhttps://github.com/shovito66/FOGSenseから入手できます。

要約(オリジナル)

Freezing of gait (FOG) is a debilitating symptom of Parkinson’s disease (PD) that impairs mobility and safety. Traditional detection methods face challenges due to intra and inter-patient variability, and most systems are tested in controlled settings, limiting their real-world applicability. Addressing these gaps, we present FOGSense, a novel FOG detection system designed for uncontrolled, free-living conditions. It uses Gramian Angular Field (GAF) transformations and federated deep learning to capture temporal and spatial gait patterns missed by traditional methods. We evaluated our FOGSense system using a public PD dataset, ‘tdcsfog’. FOGSense improves accuracy by 10.4% over a single-axis accelerometer, reduces failure points compared to multi-sensor systems, and demonstrates robustness to missing values. The federated architecture allows personalized model adaptation and efficient smartphone synchronization during off-peak hours, making it effective for long-term monitoring as symptoms evolve. Overall, FOGSense achieves a 22.2% improvement in F1-score compared to state-of-the-art methods, along with enhanced sensitivity for FOG episode detection. Code is available: https://github.com/shovito66/FOGSense.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google