Parkinson’s Disease Diagnosis Through Deep Learning: A Novel LSTM-Based Approach for Freezing of Gait Detection

要約

ディープラーニングは、広範な臨床データセット内の隠れたパターンを明らかにし、さまざまな病気の診断に役立てるため、ヘルスケアにおいて多大な可能性を秘めています。
パーキンソン病 (PD) は、脳機能の低下を特徴とする神経変性疾患です。
PD の初期段階では、PD 患者と健康な人の行動が類似しているため、自動診断には課題が生じます。
私たちの目的は、パーキンソン病の早期発見に役立つ効果的なモデルを提案することです。
我々は、健康な人とパーキンソン病と診断された人を区別するために、Physionet から提供された VGRF 歩行信号データセットを採用しました。
この論文では、パーキンソン病患者のすくみ歩行エピソードを自動的に検出するための、LSTM ネットワークに基づく新しい深層学習アーキテクチャを紹介します。
従来の機械学習アルゴリズムとは対照的に、この方法では手動の特徴エンジニアリングが不要になり、歩行パターンの長期にわたる時間依存性を適切に捕捉できるため、パーキンソン病の診断が向上します。
LSTM ネットワークは、自己接続された隠れユニットの代わりにメモリ ブロックを採用することで勾配消失の問題を解決し、最適な情報同化を可能にします。
過学習を防ぐために、ドロップアウトおよび L2 正則化技術が採用されています。
さらに、最適化プロセスには確率的勾配ベースのオプティマイザー Adam が使用されます。
結果は、私たちが提案したアプローチがFOGエピソード検出における現在の最先端のモデルを上回り、精度97.71%、感度99%、精度98%、特異度96%を達成していることを示しています。
これは、パーキンソン病検出のための優れた分類方法としての可能性を示しています。

要約(オリジナル)

Deep learning holds tremendous potential in healthcare for uncovering hidden patterns within extensive clinical datasets, aiding in the diagnosis of various diseases. Parkinson’s disease (PD) is a neurodegenerative condition characterized by the deterioration of brain function. In the initial stages of PD, automatic diagnosis poses a challenge due to the similarity in behavior between individuals with PD and those who are healthy. Our objective is to propose an effective model that can aid in the early detection of Parkinson’s disease. We employed the VGRF gait signal dataset sourced from Physionet for distinguishing between healthy individuals and those diagnosed with Parkinson’s disease. This paper introduces a novel deep learning architecture based on the LSTM network for automatically detecting freezing of gait episodes in Parkinson’s disease patients. In contrast to conventional machine learning algorithms, this method eliminates manual feature engineering and proficiently captures prolonged temporal dependencies in gait patterns, thereby improving the diagnosis of Parkinson’s disease. The LSTM network resolves the issue of vanishing gradients by employing memory blocks in place of self-connected hidden units, allowing for optimal information assimilation. To prevent overfitting, dropout and L2 regularization techniques have been employed. Additionally, the stochastic gradient-based optimizer Adam is used for the optimization process. The results indicate that our proposed approach surpasses current state-of-the-art models in FOG episode detection, achieving an accuracy of 97.71%, sensitivity of 99%, precision of 98%, and specificity of 96%. This demonstrates its potential as a superior classification method for Parkinson’s disease detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google