穿戴式IMU與深度學習於神經退化性疾病步態分析之文獻回顧與模型可解釋性探討
本報告旨在深入探討穿戴式慣性測量單元（IMU）數據與先進深度學習技術結合，並輔以可解釋人工智慧（XAI）方法，在神經退化性疾病客觀步態分析中的應用。
步態：神經健康的窗口
步態是一種複雜但高度自動化的運動模式，對個體的年齡和潛在病理學極為敏感。透過量化分析，步態可作為客觀、精確的數位生物標誌物，輔助神經退化性疾病的診斷與評估。一個常用的概念模型將步態分為五個關鍵領域，有助於系統化地理解其複雜性。
步速/轉向
節律
不對稱性
變異性
穩定性/上半身
步態特徵與特定神經退化性疾病的關聯
不同的神經退化性疾病會以獨特的方式影響步態。例如，帕金森氏症（PD）的早期徵兆可能包括手臂擺動不對稱和碎步，而阿茲海默症（AD）則常表現為步速變慢和步態變異性增加。這些特徵可作為監測疾病進程和預測風險的寶貴指標。
比較健康對照組與神經退化性疾病患者的標準化步態特徵。數值越低表示表現越差或異常程度越高。
IMU技術：捕捉運動的細節
慣性測量單元（IMU）是穿戴式感測器，能捕捉三維運動數據，包括加速度和角速度。這種技術為AI模型提供了豐富的數據來源，以分析複雜的運動行為，但其臨床部署面臨著數據品質、標準化和實際應用等方面的挑戰。
關鍵臨床部署挑戰
- 數據集規模： 深度學習模型需要大量數據，但現有研究的參與者數量通常有限。
- 數據標註： 對於監督學習，手動標註醫學數據既耗時又昂貴。
- 設備限制： 電池續航力和數據儲存容量限制了長期連續監測。
- 系統整合： 缺乏將IMU數據無縫整合到電子健康記錄（EHR）中的標準化流程。
- 驗證與標準化： 缺乏統一的評估指標，使得比較不同模型的性能變得困難。
時序數據的深度學習架構演進
從捕捉局部特徵的CNN，到處理序列依賴性的RNN，再到理解全局上下文的Transformer，深度學習架構不斷演進，以更有效地分析IMU等時序數據。混合模型則結合了各架構的優點，旨在實現更全面的分析。
CNNs & RNNs
早期模型分別擅長空間特徵提取（CNN）和序列建模（RNN/LSTM）。
CRNN (Hybrid)
結合CNN和RNN，利用CNN提取特徵，再由RNN處理時間關係。
Attention 機制
使模型能夠選擇性地關注輸入序列中的關鍵部分，提升性能。
Transformer
完全基於自注意力機制，高效捕捉長距離全局依賴性，是當前最先進的架構。
打開黑盒子：模型可解釋性 (XAI)
隨著模型變得越來越複雜，理解其決策過程對於臨床應用至關重要。XAI方法如Attention可視化、SHAP和Grad-CAM，有助於揭示模型為何做出特定預測，從而建立信任並促進AI在醫療領域的負責任應用。
Attention 可視化
通過熱圖等方式，直觀顯示模型在做決策時對輸入序列中哪些時間點的關注度最高。
優點: 內建於模型，直觀。 缺點: 僅適用於特定架構，可能存在誤導性。
SHAP
基於賽局理論，為每個特徵（如特定時間步的加速度值）分配一個重要性分數，量化其對預測的貢獻。
優點: 模型無關，理論基礎堅實。 缺點: 計算成本高，可能假設特徵獨立。
Grad-CAM
利用梯度信息生成類別激活圖，突出顯示對特定類別預測貢獻最大的輸入區域。
優點: 專為CNN設計，能生成視覺解釋。 缺點: 模型特定，解釋可能不夠精細。
沒有留言:
張貼留言