Improving Freezing of Gait Detection and Prediction Using ML and Transformers
Notice bibliographique
Résumé
Detecting Freezing of Gait (FOG) is crucial for Parkinson's disease (PD). Several research works have been published on FOG detection and prediction using machine learning (ML) and limited accelerometer data. FOG data collection is challenging and generally conducted on a limited number of persons as freezing occurs randomly, unlike walking which is a recurrent activity. This makes directly applying ML inefficient. In this paper, to improve previously published results, we apply three different ML algorithms: Linear Discriminant Analysis (LDA), Extreme Gradient Boosting (XGB), and Extra Trees (ET), in addition to a Transformer model to detect and predict FOG. This is achieved by modelling the publicly available DAPHNet dataset, which contains accelerometer readings from three wearable sensors. The data quality is first improved by using data augmentation, data balancing, and feature extraction. Our results show that accuracy (ACC), along with other metrics like sensitivity (SEN), specificity (SPE), and F1-score (F1) is important to quantify the performance of our results. From FOG detection results, we can see that XGB and ET algorithms provide 100% ACC, and slightly lower performance, 99.96% with LDA. For FOG prediction, our results prove we can achieve 99.21%, 96.40%, 96.21%, and 94.70% ACC with LDA, XGB, ET, and Transformer, respectively. These results outperform previously published results on the same dataset.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».