Artificial Neural Networks Classification of Patients with Parkinsonism based on Gait
Notice bibliographique
Résumé
Differential diagnosis between Idiopathic Parkin-son's disease (IPD) and Vascular Parkinsonism (VaP) is a difficult task, especially early in the disease. There is growing evidence to support the use of gait assessment in diagnosis and management of movement disorder diseases. The aim of this study is to evaluate the effectiveness of some machine learning strategies in distinguishing IPD and VaP gait. Wearable sensors positioned on both feet were used to acquire the gait data from 15 IPD, 15 VaP, and 15 healthy subjects. A comparative classification analysis was performed by applying two supervised machine learning algorithms: Multiple Layer Perceptrons (MLPs) and Deep Belief Networks (DBNs). The decisional space was composed of the gait variables, with or without neuropsychological evaluation (Montreal cognitive assessment (MoCA) score), top-ranked in an error incremental analysis. In the classification task of characterizing parkinsonian gait by distinguishing between patients (IPD+VaP) and healthy control, from the all strides classification of the gait performed by the person, high accuracy (93% with or without MoCA) was obtained for both algorithms. In the classification task of the two groups of patients (VaP vs. IPD), DBN classifier achieved higher performance (73% with MoCA). To the best of our knowledge, this is the first study on gait classification that includes a VaP group. DBN classifiers are not frequently applied in literature to similar studies, but the results here obtained demonstrate that the use of DBN classifiers based on gait analysis is promising to be a good support to the neurologist in distinguishing VaP and IPD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».