步行作为人类的基本活动之一,对其进行分析在临床研究中有重要意义。通过对公开帕金森症足底压力数据集Gait in Parkinson’s Disease进行分析,设计划分步态周期的方法,并提取步态特征参数。应用一种混合神经网络(GRU-DNN),将门控循环单...步行作为人类的基本活动之一,对其进行分析在临床研究中有重要意义。通过对公开帕金森症足底压力数据集Gait in Parkinson’s Disease进行分析,设计划分步态周期的方法,并提取步态特征参数。应用一种混合神经网络(GRU-DNN),将门控循环单元(GRU)与深度神经网络(DNN)相结合对帕金森症病情诊断进行分类。数据分析为临床诊断提供更多客观依据,从而辅助医生进行病情诊断。为验证方法的有效性,使用该网络对数据集中具有病情标签的步态信息进行分类预测,结果显示:在帕金森症诊断实验中,该网络的识别准确率为98.7%;在帕金森症严重程度诊断实验中,该网络对于严重程度为2级的识别准确率达到100%;对于其余严重程度的识别准确率达到98%。展开更多
文摘步行作为人类的基本活动之一,对其进行分析在临床研究中有重要意义。通过对公开帕金森症足底压力数据集Gait in Parkinson’s Disease进行分析,设计划分步态周期的方法,并提取步态特征参数。应用一种混合神经网络(GRU-DNN),将门控循环单元(GRU)与深度神经网络(DNN)相结合对帕金森症病情诊断进行分类。数据分析为临床诊断提供更多客观依据,从而辅助医生进行病情诊断。为验证方法的有效性,使用该网络对数据集中具有病情标签的步态信息进行分类预测,结果显示:在帕金森症诊断实验中,该网络的识别准确率为98.7%;在帕金森症严重程度诊断实验中,该网络对于严重程度为2级的识别准确率达到100%;对于其余严重程度的识别准确率达到98%。
