KR20200123618A - Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법 - Google Patents

Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법 Download PDF

Info

Publication number
KR20200123618A
KR20200123618A KR1020190046716A KR20190046716A KR20200123618A KR 20200123618 A KR20200123618 A KR 20200123618A KR 1020190046716 A KR1020190046716 A KR 1020190046716A KR 20190046716 A KR20190046716 A KR 20190046716A KR 20200123618 A KR20200123618 A KR 20200123618A
Authority
KR
South Korea
Prior art keywords
data
neural network
network model
change
symptom
Prior art date
Application number
KR1020190046716A
Other languages
English (en)
Inventor
정승필
Original Assignee
영남대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 영남대학교 산학협력단 filed Critical 영남대학교 산학협력단
Priority to KR1020190046716A priority Critical patent/KR20200123618A/ko
Publication of KR20200123618A publication Critical patent/KR20200123618A/ko

Links

Images

Classifications

    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 MRI 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법에 대한 것이다.
본 발명에 따르면, 검진센터, 병원에서 발생된 MRI영상 데이터를 정상인 데이터, 비정상인 데이터 및 개인별 데이터로 각각 분류하여 저장하는 서버와, 상기 서버에 수집된 각각의 데이터를 이용하여 데이터셋을 형성하고, 형성된 데이터셋으로 학습된 신경망 모델을 구축하는 신경망 모델 구축부, 그리고 촬영된 MRI 영상을 상기 신경망 모델에 입력하고, 입력된 MRI 영상 데이터와 동일 연령대의 정상 및 비정상 데이터 그리고 증상별 데이터 자료와 비교 분석하여 이상이 발생된 부분의 추이 변화에 따른 예측 시점과 증상정보를 제공하는 예측부를 포함한다.
이와 같이 본 발명에 따른 조별 변화 감별 장치는 동일 연령대의 정상인들과 인지장애 혹은 치매 증상이 있는 개인별 입력 정보 데이터를 융합하여 수학적으로 수치화하고, 조기 증상 변화에 관한 인공지능 감별 논리 데이터 베이스를 구축함으로써, MRI영상의 변화량과 추이 계산을 통해 향후 변화를 예측할 수 있다.

Description

MRI 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법{Apparatus for the Early Change of Elderly Psychiatric Diseases Using MRI Imaging and method thereof}
본 발명은 MRI 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법에 관한 것으로서, 더욱 상세하게는 신경망모델을 통해 시계열 차이에 따른 뇌실질 영상의 변화 추이를 판단하여 환자들의 정신 증상의 변화를 초기에 감별하는 MRI 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법에 관한 것이다.
기존의 연구에 따르면 MRI를 비롯한 영상 진단 오류율이 높다고 알려져 있다. 현재 병원에서 측정되는 MRI 등 대부분의 파일은 DICOM(gital Imaging and Communications in Medicine) 형태로 되어 있으며, 이를 그림 파일로 의사가 육안으로 진단하기 때문에, 육안으로 구별하기 어려운 병변이나 변화 정도를 빠른 시간 내에 정확히 판단을 내리는 것이 어려운 실정이다.
본 발명의 배경이 되는 기술은 대한민국 등록특허공보 제10-19594388호(2019.03.18. 공고)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는, 신경망모델을 통해 시계열 차이에 따른 뇌실질 영상의 변화 추이를 판단하여 환자들의 정신 증상의 변화를 초기에 감별하는 MRI 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법을 제공하는데 목적이 있다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 검진센터, 병원에서 발생된 MRI영상 데이터를 정상인 데이터, 비정상인 데이터 및 개인별 데이터로 각각 분류하여 저장하는 서버와,
상기 서버에 수집된 각각의 데이터를 이용하여 데이터셋을 형성하고, 형성된 데이터셋으로 학습된 신경망 모델을 구축하는 신경망 모델 구축부,
촬영된 MRI 영상을 상기 신경망 모델에 입력하고, 입력된 MRI 영상 데이터와 동일 연령대의 정상 및 비정상 데이터 그리고 증상별 데이터 자료와 비교 분석하여 이상이 발생된 부분의 추이 변화에 따른 예측 시점과 증상정보를 제공하는 예측부를 포함한다.
이와 같이 본 발명에 따르면, 동일 연령대의 정상인들과 인지장애 혹은 치매 증상이 있는 개인별 입력 정보 데이터를 융합하여 수학적으로 수치화하고, 조기 증상 변화에 관한 인공지능 감별 논리 데이터 베이스를 구축함으로써, MRI영상의 변화량과 추이 계산을 통해 향후 변화를 예측할 수 있다.
또한, 본 발명에 따르면, 의사들이 판단하는 MRI영상을 이용한 진단의 정확도를 높이고, 영상 변화를 조기에 감지 및 통보함으로써, 환자가 현재보다 조금 이른 시기에 진단과 치료를 받을 수 있게 한다.
또한, 본 발명에 따르면, 현재 노인성 치매와 더불어 육안이나 영상 정보로 감별하기 어려운 경도인지장애(MCD) 등을 가진 환자의 조기 증상 및 영상 변화를 인지하여, 병원 방문시기를 앞당길 수 있는 효과도 얻을 수 있다
도 1은 본 발명의 실시예에 따른 조기 변화 감별 장치를 개략적으로 도시한 도면이다.
도 2는 촬영된 MRI영상 이미지에 전처리를 한 상태를 나타내는 도면이다.
도 3은 도 1에 도시된 증상별 데이터 서버에 수집된 데이터를 이용하여 자동으로 라벨링하는 방법을 나타내는 도면이다.
도 4는 누적 데이터셋을 구축하는 방법을 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 조기 변화 감별 장치의 데이터셋을 이용하여 분석과정을 나타내는 그래프이다.
도 6은 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 뇌 변화를 추적한 결과를 나타내는 도면이다.
도 7은 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 증상 감별 논리에 따른 유효성 검사 결과를 나타내는 예시도이다.
도 8은 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 증상 감별 논리에 따른 혈관성 알츠하이며 감별 결과를 나타내는 예시도이다.
도 9는 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 증상 감별 논리에 따른 뇌경색 감별의 정확도 결과를 나타내는 예시도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도 1을 통하여 본 발명의 실시예에 따른 조기 변화 감별 장치에 대하여 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 조기 변화 감별 장치를 개략적으로 도시한 도면이고, 도 2는 촬영된 MRI영상 이미지에 전처리를 한 상태를 나타내는 도면이고, 도 3은 도 1에 도시된 증상별 데이터 서버에 수집된 데이터를 이용하여 자동으로 라벨링하는 방법을 나타내는 도면이고, 도 4는 누적 데이터셋을 구축하는 방법을 나타내는 도면이고, 도 5는 본 발명의 실시예에 따른 조기 변화 감별 장치의 데이터셋을 이용하여 분석과정을 나타내는 그래프이고, 도 6은 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 뇌 변화를 추적한 결과를 나타내는 도면이고, 도 7은 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 증상 감별 논리에 따른 유효성 검사 결과를 나타내는 예시도이고, 도 8은 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 증상 감별 논리에 따른 혈관성 알츠하이며 감별 결과를 나타내는 예시도이고, 도 9는 본 발명의 실시예에 따른 조기 변화 감별 장치의 신경망모델을 이용하여 증상 감별 논리에 따른 뇌경색 감별의 정확도 결과를 나타내는 예시도이다.
도 1에 나타난 바와 같이, 본 발명의 실시예에 따른 조기 변화 감별 장치는 정상인 데이터 서버, 비정상인 데이터 서버, 개인별 데이터 서버 및 증상별 데이터 서버를 포함한다.
조기 변화 감별 장치는 병원이나 검진센터 등에서 촬영된 MRI영상을 획득하고, 획득한 MRI영상을 전처리한다.
부연하자면, 도 2에 도시된 바와 같이, 조기 변화 감별 장치는 획득한 MRI영상을 10픽셀 간격으로 50*50픽셀로 이미지를 분할시키는 전처리 과정을 진행한다.
그 다음, 조기 변화 감별 장치는 전처리된 MRI영상을 이미지와 개인정보로 나뉘고, 이미지는 정상인 데이터 서버와 비정상인 데이터 서버로 분류하여 저장한다. 그리고, 조기 변화 감별 장치는 분류된 개인정보를 개인별 데이터 서버에 저장한다.
그 다음, 도 3에 도시된 바와 같이, 조기 변화 감별 장치는 사용자로부터 입력된 증상데이터 라벨을 수집하고, 수집된 증상 데이터에 수학적 변형을 가하여 자동 라벨링시킨다. 여기서, 수학적 변형은 영상 이미지내의 증상의 위치, 종류 및 벡터화를 포함한다. 그리고, 라벨링이 완료된 데이터 즉 병명이 색인된 데이터는 비정상인 데이터 서버에 전달된다.
도4에 도시된 바와 같이, 조별 변화 감별 장치는 각각의 서버에 누적된 데이터를 동일 연령대의 정상 및 비정상 데이터 그리고 증상별 데이터 자료들과 비교분석하여 개인별 누적 데이터셋을 구축한다.
이에 대해 더욱 상세하게 설명하면, 조별 변화 감별 장치는 정상인 데이터 서버에 수집된 정상인 데이터를 이용하여 연령, 남녀, 신장별 뇌크기, 부위별 면적을 수화한 데이터셋을 구축한다.
또한, 조별 변화 감별 장치는 비정상 데이터 서버에 수집된 연령, 남며, 신장별 뇌크기, 부위별 면적을 수치화한 데이터셋을 구축한다.
그리고, 조별 변화 감별 장치는 증상별 데이터 서버에 수집된 증상별 데이터를 분석하고 병명을 색인하기 위한 데이터셋을 구축한다.
상기와 같이, 각각의 데이터셋 구축이 완료된 다음, 조별 변화 감별 장치는 개인별 누적정보를 통하여 개인별 정보에 대한 변화 추이를 분석한다. 그리고, 조별 변화 감별 장치는 비정상 데이터 서버모델과의 예측시점 및 유사도 등을 분석한다.
그 다음, 조별 변화 감별 장치는 각각의 데이터셋을 학습시켜 신경망 모델을 생성한다. 부연하자면, 도 5에 도시된 바와 같이, 조별 변화 감별 장치는 약 천개의 데이터를 70개로 나뉘어 집단화한 다음, 집단화된 데이터를 50회이상 학습하여 신경망 모델을 구축한다. 그리고, 조별 변화 감별 장치는 뇌경색 결절이미지 데이터를 데이터셋에서 분리하여 매 학습마다 신경망 모델의 정확도를 측정하고, 초기 치매보다 일반 치매에 민감하게 반응할 수 있도록 조정한다.
그 다음, 신경망 모델은 현재의 데이터와 과거의 데이터간의 변화를 분석하여 일정 임계수치를 넘으면 비정상 데이터를 통해 생성된 데이터셋의 유사증상과 비교 분석하여 증상 예측시점과 증상정보 등을 제공한다. 즉, 도 6 내지 도 9에 도시된 바와 같이, 신경망 모델은 입력된 MRI 영상데이터를 이용하여 알츠하이머, 파킨슨 병과 같은 신경 퇴행성 질환의 진단을 추적하고, 환자가 시간이 경과함에 따라 볼룸의 최소 변화까지도 안정적으로 측정할 수 있도록 한다.
따라서, 조별 변화 감별 장치는 신경망 모델을 통해 각 서버에 보관되어 있는 MRI 데이터를 분류-분석-감별논리로 동시에 분석하여 데이터 변화를 조기에 감지하여 임상의에 의해 생성된 증상 정보를 종합하여 그 결과를 추출한다.
이와 같이 본 발명에 따른 조별 변화 감별 장치는 동일 연령대의 정상인들과 인지장애 혹은 치매 증상이 있는 개인별 입력 정보 데이터를 융합하여 수학적으로 수치화하고, 조기 증상 변화에 관한 인공지능 감별 논리 데이터 베이스를 구축함으로써, MRI영상의 변화량과 추이 계산을 통해 향후 변화를 예측할 수 있다.
또한, 본 발명에 따른 조별 변화 감별 장치는 의사들이 판단하는 MRI영상을 이용한 진단의 정확도를 높이고, 영상 변화를 조기에 감지 및 통보함으로써, 환자가 현재보다 조금 이른 시기에 진단과 치료를 받을 수 있게 한다.
또한, 본 발명에 따른 조별 변화 감별 장치는 현재 노인성 치매와 더불어 육안이나 영상 정보로 감별하기 어려운 경도인지장애(MCD) 등을 가진 환자의 조기 증상 및 영상 변화를 인지하여, 병원 방문시기를 앞당길 수 있는 효과도 얻을 수 있다
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
10 : 정상인 데이터 서버
20 : 비정상인 데이터 서버
30 : 개인별 데이터 서버
40 : 증상별 데이터 서버

Claims (1)

  1. 검진센터, 병원에서 발생된 MRI영상 데이터를 정상인 데이터, 비정상인 데이터 및 개인별 데이터로 각각 분류하여 저장하는 서버와,
    상기 서버에 수집된 각각의 데이터를 이용하여 데이터셋을 형성하고, 형성된 데이터셋으로 학습된 신경망 모델을 구축하는 신경망 모델 구축부,
    촬영된 MRI 영상을 상기 신경망 모델에 입력하고, 입력된 MRI 영상 데이터와 동일 연령대의 정상 및 비정상 데이터 그리고 증상별 데이터 자료와 비교 분석하여 이상이 발생된 부분의 추이 변화에 따른 예측 시점과 증상정보를 제공하는 예측부를 포함하는 조기 변화 감별 장치
KR1020190046716A 2019-04-22 2019-04-22 Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법 KR20200123618A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190046716A KR20200123618A (ko) 2019-04-22 2019-04-22 Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190046716A KR20200123618A (ko) 2019-04-22 2019-04-22 Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20200123618A true KR20200123618A (ko) 2020-10-30

Family

ID=73048214

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190046716A KR20200123618A (ko) 2019-04-22 2019-04-22 Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20200123618A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113057585A (zh) * 2021-03-15 2021-07-02 中国科学院计算技术研究所 一种认知障碍检测模型及其训练方法
KR20220145440A (ko) * 2021-04-21 2022-10-31 금오공과대학교 산학협력단 머신러닝 기반의 치매 예측 방법
CN116344058A (zh) * 2023-05-29 2023-06-27 之江实验室 一种基于图信号的阿尔兹海默风险标注方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113057585A (zh) * 2021-03-15 2021-07-02 中国科学院计算技术研究所 一种认知障碍检测模型及其训练方法
KR20220145440A (ko) * 2021-04-21 2022-10-31 금오공과대학교 산학협력단 머신러닝 기반의 치매 예측 방법
CN116344058A (zh) * 2023-05-29 2023-06-27 之江实验室 一种基于图信号的阿尔兹海默风险标注方法及装置
CN116344058B (zh) * 2023-05-29 2023-08-18 之江实验室 一种基于图信号的阿尔兹海默风险标注方法及装置

Similar Documents

Publication Publication Date Title
Buongiorno et al. A low-cost vision system based on the analysis of motor features for recognition and severity rating of Parkinson’s Disease
Werner et al. Towards pain monitoring: Facial expression, head pose, a new database, an automatic system and remaining challenges
Turner et al. The classification of minor gait alterations using wearable sensors and deep learning
Shin et al. Decision boundary-based anomaly detection model using improved AnoGAN from ECG data
JP2009542351A (ja) 時間的尺度を使用した脳パターンの解析
US20110190621A1 (en) Methods and Systems for Regional Synchronous Neural Interactions Analysis
KR20200123618A (ko) Mri 영상을 이용한 노인 정신질환의 조기 변화 감별 장치 및 방법
WO2020121308A9 (en) Systems and methods for diagnosing a stroke condition
Fiterau et al. Shortfuse: Biomedical time series representations in the presence of structured information
Altay et al. Preclinical Stage Alzheimer's Disease Detection Using Magnetic Resonance Image Scans
Pusarla et al. Learning DenseNet features from EEG based spectrograms for subject independent emotion recognition
Tang et al. Automatic identification of high-risk autism spectrum disorder: a feasibility study using video and audio data under the still-face paradigm
Tang et al. Diagnostic value of a vision-based intelligent gait analyzer in screening for gait abnormalities
Zhuang et al. Video-based facial weakness analysis
Odenstedt Hergès et al. Machine learning analysis of heart rate variability to detect delayed cerebral ischemia in subarachnoid hemorrhage
Alnaggar et al. An IoT-based framework for detecting heart conditions using machine learning
Rahman et al. Auto-gait: Automatic ataxia risk assessment with computer vision from gait task videos
Zhao et al. A non-parametric approach to detect epileptogenic lesions using restricted boltzmann machines
Sethi et al. Multi‐feature gait analysis approach using deep learning in constraint‐free environment
Jing et al. Deep Learning–Assisted Gait Parameter Assessment for Neurodegenerative Diseases: Model Development and Validation
Günaydın et al. Multifractal detrended fluctuation analysis of insole pressure sensor data to diagnose vestibular system disorders
US20210290178A1 (en) Brain injury monitoring with recovery trajectory
Pecundo et al. Amyotrophic lateral sclerosis and post-stroke orofacial impairment video-based multi-class classification
Nguyen et al. Classification of Parkinson’s Disease-Associated Gait Patterns
Billiet et al. Activity recognition for physical therapy: fusing signal processing features and movement patterns