PULSAR：基于图的正样本无标签学习方法，结合多流自适应卷积技术用于帕金森病识别

帕金森病诊断视频分析模型研究。提出PULSAR方法，通过自适应图卷积神经网络和多流卷积模型分析视频中的手指敲击任务，在382名参与者（含183例自报帕金森病）中训练，验证集准确率达80.95%，测试集平均71.29%，可辅助低资源地区帕金森筛查，并扩展至其他运动障碍评估。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

及时诊断帕金森病（PD）等运动障碍可以提高生活质量。然而，在低收入国家，临床诊断的可用性有限。在这里，我们介绍了一种名为PULSAR的新方法，该方法可以通过从Webcam录制的指敲任务视频来区分是否患有PD的个体。这些视频用于运动障碍协会-统一帕金森病评分量表（MDS-UPDRS）。PULSAR是在382名参与者的数据上训练和评估的，其中包括183名自报为PD的患者。我们使用自适应图卷积神经网络动态学习任务特定的时空特征，并通过多流卷积模型进一步增强其能力，以捕捉关键特征，如手指关节位置、敲击速度和加速度。由于视频标签是自报的，因此一些非PD标签可能是未被诊断的病例。为了解决这个问题，我们采用了正样本无标签（PU）学习方法，其性能优于传统的监督学习方法。PULSAR在验证集上的准确率为80.95%，在独立测试集上的平均准确率为71.29%（标准差为2.49%）。我们希望PULSAR能够帮助进行帕金森病的筛查，并且这些技术可以扩展到评估共济失调和亨廷顿病等其他疾病。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。