特拉維夫大學醫(yī)學與健康科學學院的研究人員邀請了國際機器學習研究人員社區(qū)參加一項旨在推進他們的研究并協(xié)助神經(jīng)學家的競賽：開發(fā)一種機器學習模型來支持可穿戴傳感器，用于連續(xù)、自動監(jiān)測和量化帕金森病患者的步態(tài)凍結(jié) (FOG) 發(fā)作。近 25,000 個解決方案被提交，最佳算法被納入這項新技術(shù)。
這項研究由特拉維夫大學醫(yī)學與健康科學學院物理治療系、薩戈爾神經(jīng)科學學院和特拉維夫醫(yī)學中心運動、認知和移動研究中心的 Jeff Hausdorff 教授以及特拉維夫醫(yī)學中心的 Amit Salomon 和 Eran Gazit 領(lǐng)導。其他研究人員包括來自比利時、法國和哈佛大學的研究人員。
該論文發(fā)表在《自然通訊》上上，并被刊登在該期刊的“編輯精選”中。
步態(tài)、衰老和帕金森病領(lǐng)域的專家 Hausdorff 教授解釋說：“FOG 是一種使人衰弱且迄今為止無法解釋的現(xiàn)象，影響了 38-65% 的帕金森病患者。FOG 發(fā)作可持續(xù)幾秒鐘到一分鐘以上，在此期間，患者的雙腳突然‘粘’在地板上，患者無法開始或繼續(xù)行走。
“FOG 會嚴重損害帕金森病患者的活動能力、獨立性和生活質(zhì)量，給他們帶來極大的挫敗感，并經(jīng)常導致跌倒和受傷。”
Amit Salomon 補充道：“目前，F(xiàn)OG 的診斷和追蹤通?；谧晕覉蟾鎲柧砗鸵曈X觀察，以及對運動中患者的視頻進行逐幀分析。
“最后一種方法是目前流行的黃金標準，可靠且準確，但它有一些嚴重的缺點：它耗時，需要至少兩名專家的參與，并且不適合在家庭和日常生活環(huán)境中進行長期監(jiān)測。世界各地的研究人員都在嘗試使用可穿戴傳感器來跟蹤和量化患者的日常功能。然而，到目前為止，成功的試驗都依賴于極少數(shù)的受試者。”
在這項研究中，研究人員收集了現(xiàn)有幾項研究的數(shù)據(jù)，涉及 100 多名患者和約 5,000 例 FOG 發(fā)作。所有數(shù)據(jù)都上傳到 Kaggle 平臺，這是谷歌旗下一家舉辦國際機器學習競賽的公司。
全球機器學習社區(qū)的成員受邀開發(fā)可納入可穿戴傳感器的模型，以量化各種 FOG 參數(shù)(例如持續(xù)時間、頻率和發(fā)作嚴重程度)。共有來自 83 個國家的 1,379 個團體接受了挑戰(zhàn)，最終提交了總共 24,862 個解決方案。
最佳模型的結(jié)果與通過視頻分析方法獲得的結(jié)果非常接近，并且明顯優(yōu)于以前依賴單個可穿戴傳感器的實驗。此外，這些模型還帶來了一項新發(fā)現(xiàn)：FOG 頻率與一天中的時間之間存在有趣的關(guān)系。
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！