CN116473514B - 基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法 - Google Patents
基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法 Download PDFInfo
- Publication number
- CN116473514B CN116473514B CN202310317096.3A CN202310317096A CN116473514B CN 116473514 B CN116473514 B CN 116473514B CN 202310317096 A CN202310317096 A CN 202310317096A CN 116473514 B CN116473514 B CN 116473514B
- Authority
- CN
- China
- Prior art keywords
- time
- information
- neural network
- node
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 208000018737 Parkinson disease Diseases 0.000 title claims description 13
- 208000027089 Parkinsonian disease Diseases 0.000 claims abstract description 19
- 206010034010 Parkinsonism Diseases 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000005021 gait Effects 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010065559 Cerebral arteriosclerosis Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000005851 intracranial arteriosclerosis Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0409—Adaptive resonance theory [ART] networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Neurology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurosurgery (AREA)
- Fuzzy Systems (AREA)
- Developmental Disabilities (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及基于足底压力的疾病检测技术领域，具体的说是基于自适应有向时空图神经网络的步态帕金森疾病检测，所述检测步骤如下：S1、信号预处理：将获取到的步态信号分成100个时间步；S2、模型构建：对足底传感器进行拓扑结构建模，并将传感器获取的信号处理成双流模态；S3、特征提取网络：通过多个自适应有向时空图神经网络单元，在空间上使用消息传递机制获取足底局部和全局信息，在时间上使用1维卷积获取时序信息，因此在时空域分析了步态变化；S4、分类器：采用交叉熵损失函数为分类器；S5、模型融合：对双流模态进行线性融合；S6、诊断结果：对受试者的所有分段结果进行平均获得最终的诊断结果。本发明在参数量更少的情况下获得准确的结果。
Description
技术领域
本发明涉及一种基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，属于疾病检测技术领域。
背景技术
帕金森疾病称为不死的癌症，是仅次于阿尔茨海默病的第二常见神经退行性疾病，它的残疾和死亡增长速度快于任何其他神经系统疾病。我国目前帕金森疾病的形式是全世界人数最多，且逐渐呈现年轻化的趋势，但及早发现并治疗可以有效延缓帕金森病进程，让患者在数年内保持较高的生活质量。否则不同患者在数十年内就可导致瘫痪。帕金森目前主要是基于临床医生或神经科医生的视觉观察得出，但是很依赖医生的能力，鉴于早期帕金森症状较为隐秘，难以即使发现和确诊，且轻度症状和脑动脉硬化、脑萎缩、阿尔茨海默病等疾病类似，使得帕金森误诊率高达23.5％。因此用计算机方法辅助医生判断，可以即使发现并确诊，且降低误诊概率。
正常行走过程中的足底压力作为观测数据，不同于压力感应垫、惯性传感器、运动捕捉系统等昂贵的实验室设备，它们需要在定点医院，在专业医生的指导下进行检测。而足底压力传感器具有价格优惠、非侵入式、随时检测等优点，因此采用其作为数据采集来源比较合理。
目前基于足底压力在帕金森早期检测方面主要包括机器学习的方法和深度学习的方法。基于机器学习方法的特点主要是提取不同特征和分析比较不同的传统机器学习模型。它们大多根据步频、步长、步速提取时域、频域等信息，比较支持向量机、决策树、K近邻等有监督的机器学习方法。但是鉴于不同的病人之间有不同的步态，即使是同一个病人，在不同时刻和不同状态下，步态都会有所差异，因此人为提取的特征可能因为个体自身差异致使准确率偏低。
有鉴于此特提出本发明来帮助解决上述问题。
发明内容
本发明的目的就在于为了解决上述问题而提供基于自适应有向时空图神经网络的步态帕金森疾病检测，通过图神经网络在时空域分析步态变化，从而检测受控者和患病者，在参数量更少的情况下获得了更准确的结果。
本发明通过以下技术方案来实现上述目的，基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，所述检测步骤如下：
S1、信号预处理：每个受试者被要求以他们自选步伐步行一次或多次，持续2分钟以收集步态信息。总计306次行走记录中，共有214次帕金森行走记录，92次正常行走记录。将帕金森行走记录和正常行走记录分别分为10份，训练过程为10折交叉验证，每一折的验证集由1份帕金森行走记录和1份正常行走记录组成，其余为训练集。因为深度神经网络要求输入大小要保持一致，因此每次行走都被分成100个时间步的较小段，重叠50％，最终数据集包含65915段；即从一个序列中，获得多个固定大小的子序列，这些子序列是模型的输入。对每个分段进行组合以对每次行走进行分类；
S2、模型构建：采用双流模态，第一模态定义为由节点和边组成的图结构时间序列，其中节点在物理上表示传感器的压力，边在物理上表示受试者在运动过程中的力量的传递，第二模态定义为由运动节点和运动边组成的图结构时间序列，其中运动节点在物理上表示传感器的压力变化，运动边在物理上表示力量传递的变化；
S3、特征提取网络：两个模态输入到网络的向量形状是一样的，因此可以共享特征提取网络，特征提取网络的本质是自适应有向时空图神经网络，通过残差块堆叠多次自适应有向时空图神经网络单元形成特征提取网络；
S4、分类器：模型的输入是节点joint＝(N,1,100,16)和边edge＝(N,1,100,26)，损失函数为交叉熵损失函数CrossEntropyLoss(y′，y)，对于真实标签y，其中0为健康,1为患病，对于预测值y′，每一个样本的输出y′＝(y′1，y′2)，当y′1＞y′2，则认为样本为0类，即健康对照组，反之则为患病人群，同理，运动节点-运动边模态的输入和输出和上述一样；
S5、模型融合：在测试阶段进行模型融合，对于测试集中的每一个分段，经过信号预处理阶段，都会产生两个模态，每个模态经过网络后，分别输出y′＝(y′1，y′2)和ym′＝(y′m1，y′m2)，模型融合阶段ymerge′＝α*y′+y′m，ymerge′＝(y′merge1，t′merge2)，当y′merge1＞y′merge2，则认为样本为0类，即健康对照组，反之则为患病人群，经过试验，α＝0.45时，分类准确率最高；
S6、诊断结果：受试者的最终诊断结果是其所有分段的结果进行平均，因此当受试者有少数片段分类错误时，并不影响最后的诊断结果。
进一步的，所述特征提取网络步骤中自适应有向时空图神经网络包括有向图神经网络和时间卷积网络，有向图神经网络的主要思想是消息传递，它只能对空间信息进行建模，时间卷积网络的主要思想是沿时间维度应用1D卷积对时间信息进行建模，将空间信息和时间信息进行解耦，可以以经济有效地方式地对时空信息进行建模。
进一步的，对于每个节点，都有它的传入边和传出边；对于每一条边，都有源节点和目标节点。
进一步的，有向图神经网络在建模阶段主要分为更新节点信息和更新边信息，更新节点信息是通过堆叠节点i自身信息，传入边信息，传出边信息进行聚合，再通过更新函数产生新的节点信息i'，其中，传入边信息由节点本身的传入边信息和自适应矩阵学习到的传入边信息共同确定；节点本身的传入边信息是为了网络学习到局部拓扑结构，而自适应模块在学习过程中，不仅降低模型构建过程中设计不合理的边权值，还添加或增大模型认为的和该节点关系更大的传入边权值，在低层网络中就学习到全局拓扑关系；传出边信息也是由节点本身的传出边信息和自适应矩阵学习到的传出边信息共同确定；更新边节点信息是通过堆叠边j自身信息，源节点信息，目标节点信息进行聚合，再通过更新函数产生新的节点信息j'；其中，源节点信息和目标节点信息也是通过学习得到。
进一步的，所述时间建模方式为沿着时间维度用1D卷积来分别对节点和边进行卷积。
本发明的技术效果和优点：
本发明图神经网络在时空域分析步态变化，从而检测受控者和患病者，在参数量更少的情况下获得了更准确的结果。
附图说明
图1为本发明的流程图；
图2为本发明的足底信息建模示意图；
图3为本发明的自适应有向时空图神经网络组成图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本实施例提供了基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，如图1-3所示，基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，所述检测步骤如下：
S1、信号预处理：每个受试者被要求以他们自选步伐步行一次或多次，持续2分钟以收集步态信息。总计306次行走记录中，共有214次帕金森行走记录，92次正常行走记录。将帕金森行走记录和正常行走记录分别分为10份，训练过程为10折交叉验证，每一折的验证集由1份帕金森行走记录和1份正常行走记录组成，其余为训练集。因为深度神经网络要求输入大小要保持一致，因此每次行走都被分成100个时间步的较小段，重叠50％，最终数据集包含65915段。即从一个序列中，获得多个固定大小的子序列，这些子序列是模型的输入。对每个分段进行组合以对每次行走进行分类；
S2、模型构建：采用双流模态，第一模态定义为由节点和边组成的图结构时间序列，其中节点在物理上表示传感器的压力，边在物理上表示受试者在运动过程中的力量的传递，第二模态定义为由运动节点和运动边组成的图结构时间序列，其中运动节点在物理上表示传感器的压力变化，运动边在物理上表示力量传递的变化；
S3、特征提取网络：两个模态输入到网络的向量形状是一样的，因此可以共享特征提取网络，特征提取网络的本质是自适应有向时空图神经网络，通过残差块堆叠多次自适应有向时空图神经网络单元形成特征提取网络；
S4、分类器：模型的输入是节点joint＝(N,1,100,16)和边edge＝(N,1,100,26)，损失函数为交叉熵损失函数CrossEntropyLoss(y′，y)，对于真实标签y，其中0为健康,1为患病，对于预测值y′，每一个样本的输出y′＝(y′1，y′2)，当y′1＞y′2，则认为样本为0类，即健康对照组，反之则为患病人群，同理，运动节点-运动边模态的输入和输出和上述一样；
S5、模型融合：在测试阶段进行模型融合，对于测试集中的每一个分段，经过信号预处理阶段，都会产生两个模态，每个模态经过网络后，分别输出y′＝(y′1，y′2)和ym′＝(y′m1，y′m2)，模型融合阶段ymerge′＝α*y′+y′m，ymerge′＝(y′merge1，y′merge2)，当y′merge1＞y′merge2，则认为样本为0类，即健康对照组，反之则为患病人群，经过试验，α＝0.45时，分类准确率最高；
S6、诊断结果：受试者的最终诊断结果是其所有分段的结果进行平均，因此当受试者有少数片段分类错误时，并不影响最后的诊断结果。
所述特征提取网络步骤中自适应有向时空图神经网络包括有向图神经网络和时间卷积网络，有向图神经网络的主要思想是消息传递，它只能对空间信息进行建模，时间卷积网络的主要思想是沿时间维度应用1D卷积对时间信息进行建模，将空间信息和时间信息进行解耦，可以以经济有效地方式地对时空信息进行建模。
所述时间建模方式为沿着时间维度用1D卷积来分别对节点和边进行卷积。
按照上述检测流程通过3个研究组采集并进行试验检测，共包含93名帕金森患者(平均年龄:66.3岁；63％男性)和73名健康对照(Co)(平均年龄:66.3岁；55％男性)的步态测量。
Ga、Ju和Si研究组分别采集在平地上正常行走、在有节奏的听觉模拟下以舒适的步伐行走以及在跑步机上行走时帕金森和CO的步态信息。每个受试者被要求以他们自选步伐步行一次或多次，持续2分钟以收集步态信息。总计306次行走记录中，共有214次帕金森行走记录，92次正常行走记录。将帕金森行走记录和正常行走记录分别分为10份，训练过程为10折交叉验证，每一折的验证集由1份帕金森行走记录和1份正常行走记录组成，其余为训练集。
测试指标有3个，计算公式如(13)-(15)所示。
健康对照组被确定为阴性(N)组，而帕金森人群是阳性(P)组。
其中ASTgnn与其他方法的对比主要如表1所示。SD表示进行十折交叉验证时的标准偏差。ASTgnn实现了3个指标下的结果最优。
表2中展示了模型融合后的平均分类结果(ASTgnn)、仅节点-边模态下的平均分类结果(ASTgnn-1)、仅运动节点-运动边模态下的平均分类结果(ASTgnn-2)和其对应的标准偏差。
表1分类结果对比
表2不同模态分类结果对比
本发明的核心是4层自适应有向时空图神经网络单元，通过每层之后通道的变化由1分别变为32，64，64，64，因此参数量比较少。实验主要和transformer的参数量进行了对比，对比结果如表3所示。
| Method | 参数量 |
| ASTgnn(ours) | 279,862 |
| Transformer | 2,005,456 |
表3参数对比情况
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，其特征在于：所述检测步骤如下：
S1、信号预处理：每个受试者被要求以他们自选步伐步行一次或多次，持续2分钟以收集步态信息；总计306次行走记录中，共有214次帕金森行走记录，92次正常行走记录；将帕金森行走记录和正常行走记录分别分为10份，训练过程为10折交叉验证，每一折的验证集由1份帕金森行走记录和1份正常行走记录组成，其余为训练集；因为深度神经网络要求输入大小要保持一致，因此每次行走都被分成100个时间步的较小段，重叠50％，最终数据集包含65915段；即从一个序列中，获得多个固定大小的子序列，这些子序列是模型的输入；对每个分段进行组合以对每次行走进行分类；
S2、模型构建：采用双流模态，第一模态定义为由节点和边组成的图结构时间序列，其中节点在物理上表示传感器的压力，边在物理上表示受试者在运动过程中的力量的传递，第二模态定义为由运动节点和运动边组成的图结构时间序列，其中运动节点在物理上表示传感器的压力变化，运动边在物理上表示力量传递的变化；
S3、特征提取网络：两个模态输入到网络的向量形状是一样的，因此可以共享特征提取网络，特征提取网络的本质是自适应有向时空图神经网络，通过残差块堆叠多次自适应有向时空图神经网络单元形成特征提取网络；
S4、分类器：模型的输入是节点joint＝(N，1，100，16)和边edge＝(N，1，100，26)，损失函数为交叉熵损失函数CrossEntropyLoss(y，y′，y)，对于真实标签y，其中0为健康，1为患病，对于预测值y′，每一个样本的输出y′＝(y′1，y′2)，当y′1＞y′2，则认为样本为0类，即健康对照组，反之则为患病人群，同理，运动节点-运动边模态的输入和输出和上述一样；
S5、模型融合：在测试阶段进行模型融合，对于测试集中的每一个分段，经过信号预处理阶段，都会产生两个模态，每个模态经过网络后，分别输出y′＝y′1，y′2)和ym′＝(y′m1，y′m2)，模型融合阶段ymerge′＝α*y′+y′m，
ymerge′＝(y′merge1，y′merge2)，当y′merge1＞y′merge2，则认为样本为0类，即健康对照组，反之则为患病人群，经过试验，α＝0.45时，分类准确率最高；
S6、诊断结果：受试者的最终诊断结果是其所有分段的结果进行平均，因此当受试者有少数片段分类错误时，并不影响最后的诊断结果；
2.根据权利要求1所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，其特征在于：所述特征提取网络步骤中自适应有向时空图神经网络包括有向图神经网络和时间卷积网络，有向图神经网络的主要思想是消息传递，它只能对空间信息进行建模，时间卷积网络的主要思想是沿时间维度应用1D卷积对时间信息进行建模，将空间信息和时间信息进行解耦，以经济有效地方式地对时空信息进行建模。
3.根据权利要求2所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，其特征在于：对于每个节点，都有它的传入边和传出边；对于每一条边，都有源节点和目标节点。
4.根据权利要求3所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，其特征在于：有向图神经网络在建模阶段主要分为更新节点信息和更新边信息，更新节点信息是通过堆叠节点i自身信息，传入边信息，传出边信息进行聚合，再通过更新函数产生新的节点信息i’，其中，传入边信息由节点本身的传入边信息和自适应矩阵学习到的传入边信息共同确定；节点本身的传入边信息是为了网络学习到局部拓扑结构，而自适应模块在学习过程中，不仅降低模型构建过程中设计不合理的边权值，还添加或增大模型认为的和该节点关系更大的传入边权值，在低层网络中就学习到全局拓扑关系；传出边信息也是由节点本身的传出边信息和自适应矩阵学习到的传出边信息共同确定；更新边节点信息是通过堆叠边j自身信息，源节点信息，目标节点信息进行聚合，再通过更新函数产生新的节点信息j’；其中，源节点信息和目标节点信息也是通过学习得到。
5.根据权利要求2所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法，其特征在于：有向图神经网络在时间建模阶段方式为沿着时间维度用1D卷积来分别对节点和边进行卷积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310317096.3A CN116473514B (zh) | 2023-03-29 | 2023-03-29 | 基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310317096.3A CN116473514B (zh) | 2023-03-29 | 2023-03-29 | 基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116473514A CN116473514A (zh) | 2023-07-25 |
| CN116473514B true CN116473514B (zh) | 2024-02-23 |
Family
ID=87222287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310317096.3A Active CN116473514B (zh) | 2023-03-29 | 2023-03-29 | 基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116473514B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382679A (zh) * | 2020-02-25 | 2020-07-07 | 上海交通大学 | 帕金森病步态运动障碍严重程度的评估方法、系统及设备 |
| CN111539941A (zh) * | 2020-04-27 | 2020-08-14 | 上海交通大学 | 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端 |
| CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
| CN112401834A (zh) * | 2020-10-19 | 2021-02-26 | 南方科技大学 | 一种运动阻碍型疾病诊断装置 |
| CN113317763A (zh) * | 2021-06-30 | 2021-08-31 | 平安科技（深圳）有限公司 | 基于多模态的帕金森病检测装置及计算机可读存储介质 |
| CN113545771A (zh) * | 2021-07-12 | 2021-10-26 | 西安交通大学 | 一种基于足底压力的集成k近邻帕金森病定量诊断系统 |
| CN113657349A (zh) * | 2021-09-01 | 2021-11-16 | 重庆邮电大学 | 一种基于多尺度时空图卷积神经网络的人体行为识别方法 |
| CN113901891A (zh) * | 2021-09-22 | 2022-01-07 | 上海交通大学 | 帕金森病握拳任务的评估方法及系统、存储介质及终端 |
| CN114428937A (zh) * | 2021-12-10 | 2022-05-03 | 南京师范大学 | 一种基于时空图神经网络的时间序列数据预测方法 |
| CN114863318A (zh) * | 2022-04-02 | 2022-08-05 | 河海大学 | 一种基于多模态数据融合的行为识别方法 |
| CN114900357A (zh) * | 2022-05-07 | 2022-08-12 | 长三角信息智能创新研究院 | 时空图神经网络链路泛洪攻击检测方法、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11860634B2 (en) * | 2019-12-12 | 2024-01-02 | Baidu Usa Llc | Lane-attention: predicting vehicles' moving trajectories by learning their attention over lanes |
-
2023
- 2023-03-29 CN CN202310317096.3A patent/CN116473514B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382679A (zh) * | 2020-02-25 | 2020-07-07 | 上海交通大学 | 帕金森病步态运动障碍严重程度的评估方法、系统及设备 |
| CN111539941A (zh) * | 2020-04-27 | 2020-08-14 | 上海交通大学 | 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端 |
| CN112401834A (zh) * | 2020-10-19 | 2021-02-26 | 南方科技大学 | 一种运动阻碍型疾病诊断装置 |
| CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
| CN113317763A (zh) * | 2021-06-30 | 2021-08-31 | 平安科技（深圳）有限公司 | 基于多模态的帕金森病检测装置及计算机可读存储介质 |
| CN113545771A (zh) * | 2021-07-12 | 2021-10-26 | 西安交通大学 | 一种基于足底压力的集成k近邻帕金森病定量诊断系统 |
| CN113657349A (zh) * | 2021-09-01 | 2021-11-16 | 重庆邮电大学 | 一种基于多尺度时空图卷积神经网络的人体行为识别方法 |
| CN113901891A (zh) * | 2021-09-22 | 2022-01-07 | 上海交通大学 | 帕金森病握拳任务的评估方法及系统、存储介质及终端 |
| CN114428937A (zh) * | 2021-12-10 | 2022-05-03 | 南京师范大学 | 一种基于时空图神经网络的时间序列数据预测方法 |
| CN114863318A (zh) * | 2022-04-02 | 2022-08-05 | 河海大学 | 一种基于多模态数据融合的行为识别方法 |
| CN114900357A (zh) * | 2022-05-07 | 2022-08-12 | 长三角信息智能创新研究院 | 时空图神经网络链路泛洪攻击检测方法、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 混合突触作用下耦合时滞对模块神经元网络簇同步的影响;胡丽萍;杨晓丽;孙中奎;;动力学与控制学报(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116473514A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vásquez-Correa et al. | Multimodal assessment of Parkinson's disease: a deep learning approach | |
| Thukral et al. | Versatility of fuzzy logic in chronic diseases: A review | |
| CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
| KR20200122301A (ko) | 호흡기 질병 진단을 위한 질병 시그니처를 이용한 기침 소리 분석 방법 | |
| CN111951975B (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
| Olanrewaju et al. | Application of neural networks in early detection and diagnosis of Parkinson's disease | |
| CN103714261A (zh) | 二阶段混合模型的智能辅助医疗决策支持方法 | |
| Singh et al. | Short unsegmented PCG classification based on ensemble classifier | |
| Abdel-Motaleb et al. | Artificial intelligence algorithm for heart disease diagnosis using phonocardiogram signals | |
| Varghese et al. | Prediction of parkinson's disease using machine learning techniques on speech dataset | |
| Mridha et al. | Respiratory disease classification by CNN using MFCC | |
| Zeng et al. | Automated detection of diabetic retinopathy using a binocular siamese-like convolutional network | |
| Yildirim | Automatic classification and diagnosis of heart valve diseases using heart sounds with MFCC and proposed deep model | |
| Gómez et al. | Respiratory sounds classification employing a multi-label approach | |
| Yadav et al. | Artificial intelligence model for parkinson disease detection using machine learning algorithms | |
| Shastry | An ensemble nearest neighbor boosting technique for prediction of Parkinson’s disease | |
| Hussain et al. | UT-Net: Combining U-Net and Transformer for Joint Optic Disc and Cup Segmentation and Glaucoma Detection | |
| CN116473514B (zh) | 基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法 | |
| Salih et al. | Parkinson’s disease detection by processing different ANN architecture using vocal dataset | |
| Pessoa et al. | Pediatric Respiratory Sound Classification Using a Dual Input Deep Learning Architecture | |
| Chaurasia et al. | Detection of Parkinson's disease by using machine learning stacking and ensemble method | |
| Rajeshwari et al. | Synchrosqueezed transform based click event segmentation in phonocardiogram of mitral valve prolapse | |
| Jing et al. | Optimization of Deep-learning network using Resnet50 based model for corona virus disease (COVID-19) histopathological image classification | |
| Naveen et al. | Deep learning based classification of heart diseases from heart sounds | |
| Dubbioso et al. | Precision medicine in ALS: Identification of new acoustic markers for dysarthria severity assessment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |