特拉维夫大学医学与健康科学学院的研究人员邀请了国际机器学习研究人员社区参加一项旨在推进他们的研究并协助神经学家的竞赛：开发一种机器学习模型来支持可穿戴传感器，用于连续、自动监测和量化帕金森病患者的步态冻结 (FOG) 发作。近 25,000 个解决方案被提交，最佳算法被纳入这项新技术。
这项研究由特拉维夫大学医学与健康科学学院物理治疗系、萨戈尔神经科学学院和特拉维夫医学中心运动、认知和移动研究中心的 Jeff Hausdorff 教授以及特拉维夫医学中心的 Amit Salomon 和 Eran Gazit 领导。其他研究人员包括来自比利时、法国和哈佛大学的研究人员。
该论文发表在《自然通讯》上上，并被刊登在该期刊的“编辑精选”中。
步态、衰老和帕金森病领域的专家 Hausdorff 教授解释说：“FOG 是一种使人衰弱且迄今为止无法解释的现象，影响了 38-65% 的帕金森病患者。FOG 发作可持续几秒钟到一分钟以上，在此期间，患者的双脚突然‘粘’在地板上，患者无法开始或继续行走。
“FOG 会严重损害帕金森病患者的活动能力、独立性和生活质量，给他们带来极大的挫败感，并经常导致跌倒和受伤。”
Amit Salomon 补充道：“目前，FOG 的诊断和追踪通常基于自我报告问卷和视觉观察，以及对运动中患者的视频进行逐帧分析。
“最后一种方法是目前流行的黄金标准，可靠且准确，但它有一些严重的缺点：它耗时，需要至少两名专家的参与，并且不适合在家庭和日常生活环境中进行长期监测。世界各地的研究人员都在尝试使用可穿戴传感器来跟踪和量化患者的日常功能。然而，到目前为止，成功的试验都依赖于极少数的受试者。”
在这项研究中，研究人员收集了现有几项研究的数据，涉及 100 多名患者和约 5,000 例 FOG 发作。所有数据都上传到 Kaggle 平台，这是谷歌旗下一家举办国际机器学习竞赛的公司。
全球机器学习社区的成员受邀开发可纳入可穿戴传感器的模型，以量化各种 FOG 参数(例如持续时间、频率和发作严重程度)。共有来自 83 个国家的 1,379 个团体接受了挑战，最终提交了总共 24,862 个解决方案。
最佳模型的结果与通过视频分析方法获得的结果非常接近，并且明显优于以前依赖单个可穿戴传感器的实验。此外，这些模型还带来了一项新发现：FOG 频率与一天中的时间之间存在有趣的关系。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！