Feature-Mask-Based Strategies for Subtype-Specific Freezing of Gait Detection using CNNs
Notice bibliographique
Résumé
Abstract Objective Freezing of gait (FOG), a disabling symptom of Parkinson’s disease, varies in manifestations and motion contexts. Its heterogeneity motivates subtype categorization such as manifestation-specific subtypes (akinesia, trembling or shuffling) or motion-specific subtypes (gait-initiation, walking or turning). Despite numerous promising deep learning FOG detection studies, few consider FOG heterogeneity. It remains unclear whether different subtypes require distinct detection strategies, and whether tailoring subtype-specific models could enhance detection generalizability across subtypes. Methods: To address these questions, we categorize FOG data into manifestation- or motion-specific subtypes and derive their corresponding detection strategies as interpretable feature masks. We then propose a feature-mask-based CNN that explicitly embeds the identified strategies. Using waist-mounted 3D accelerometer data, a general CNN and subtype-specific CNNs are trained. Results: According to feature-mask analysis, motion-specific subtypes share a common detection strategy, whereas manifestation-specific subtypes require distinct strategies. Manifestation models exhibit enhanced generalizability across subtypes compared to the general model, boosting the overall average FOG detection sensitivity by 24.95%±9.80% and specificity by 18.29%±8.71%. Conversely, motion models reduce the overall FOG sensitivity by 1.89%±8.74% and specificity by 5.17%±10.76%. Conclusions: The detection strategy is mainly driven by manifestation composition of the data. The general model favors the dominant manifestation-specific subtype group(s), a bias corrected by tailored manifestation-specific strategies. No comparable benefit arises from motion models due to their similar manifestation compositions. Significance: This study interpretably reveals the detection strategies required by different FOG subtypes and demonstrates the effectiveness of subtype-specific tailoring in improving FOG detection generalizability.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».