基于机器学习判断面部微表情发现哪些人更容易诊有帕金森病

1. 概述

帕金森病(Parkinson’s disease,PD)是一种慢性、进展性的神经退行性疾病,主要影响运动系统。该病症以大脑中黑质致密部多巴胺能神经元的逐渐丧失为特征,导致多巴胺(一种重要的神经递质)含量下降,从而引起一系列运动和非运动症状。

1.1 帕金森病的主要症状包括

(1). 震颤(Tremor):静止性震颤是帕金森病最常见的早期症状之一,通常从手指、手或脚开始,逐渐扩展到四肢和下巴。
(2). 运动迟缓(Bradykinesia):患者的动作变得缓慢和困难,日常活动如穿衣、写字等变得困难。
(3). 肌肉僵硬(Rigidity):肌肉变得更僵硬,导致疼痛和减少活动范围。
(4). 姿势不稳(Postural Instability):平衡和协调能力受损,容易跌倒。
(5). 面部表情减少(Hypomimia):面部表情减少,俗称“面具脸”。
(6). 语言变化(Speech Changes):语言可能变得轻柔、快速或含糊不清。
(7). 书写困难(Micrographia):书写变得小而紧凑,难以阅读。
(8). 步态改变(Gait Changes):步态可能变得小步且快速,有时出现“冻结”。

1.2 非运动症状

除了运动症状外,帕金森病还可能导致一系列非运动症状,包括:

  • 情感障碍,如抑郁和焦虑
  • 认知障碍,可能发展为痴呆
  • 睡眠问题
  • 疲劳
  • 消化系统问题,如便秘
  • 感觉障碍,如嗅觉减退

帕金森病的确切原因尚不完全清楚,但遗传和环境因素可能都有影响。目前,帕金森病没有根治的方法,但有多种治疗手段可以帮助控制症状和改善生活质量,包括药物治疗、物理治疗、职业治疗和在某些情况下的深部脑刺激手术。

1.3 判断方法

有什么方法可以让你更容易判断自己是否患有帕金森?本文提出,可以从面部表情的图像和视频数据中判断有无症状。其实,帕金森病的症状之一就是面部表情变化的减少。本文以面部表情为重点,对微笑、厌恶、惊讶的面部进行分析研究。

如果能从面部表情来诊断帕金森病,不仅能更容易地诊断出症状对于周围神经科医生少或看病难的地区的人来说,也是一种帮助。此外,本研究提出的诊断和分类方法的一个吸引人的特点是,使用SVM训练、PCA后k-means聚类、应用逻辑回归模型等基本方法,能够达到较高的分类精度

论文地址:https://arxiv.org/abs/2012.05373
源码地址:https://github.com/mali7/PARK_facial_mimic

2. 诊断方法

2.1 妊高症

妊高症 对本病的早期诊断有重要意义。
帕金森病的主要症状之一就是瘫痪,会导致面部肌肉活动僵硬,面部表情减少。在这种情况下,"Hypomimia"可以成为一个非常敏感的生物标志物,下面说明它适合早期诊断。

  • 可穿戴式传感器,通常用于现有的生物标记物,是可靠的,但价格昂贵
  • 面部表情分析成本低 (只需要一个摄像头就可以进行分析,所以实施成本低)。
  • 即使神经科医生不在附近,也能得到诊断(无论地点)

2.2 远程医疗的好处

这种基于摄像头图像的诊断方式的一个优点是,无论你在哪里都可以得到诊断,这就是

  • 因COVID-19或其他原因而需要实际分开的患者。
  • 自身行动困难的人
  • 周边没有神经科医生的地区。

帕金森病患者特别容易从这种治疗中获益。此外,早期发现帕金森病是非常重要的,因为面部表情减少与社会福利和抑郁症有关。

3. 算法架构

3.1数据集

数据集由604名参与者(61名有帕金森病症状,543名无帕金森病症状)组成,每个参与者有3段视频记录,共1812段视频。采用在线帕金森病记录工具PARK(Parkinson’s Analysis with Remote Kinetic tasks)获取视频,本文介绍了利用该框架收集的面部模仿任务的分析结果。本文介绍了利用该框架收集的人脸模仿任务的分析结果。面部模仿任务包括三种面部表情:微笑(Smiling)、厌恶(Disgusted)和惊讶(Surprise),每个视频都包含其中一种表情。

数据集的一个例子如图3所示,我们收集了每个视频的10-12秒,要求参与者做出每个表情,保持该表情几秒钟,然后不做任何表情。

对于那些没有帕金森症的人来说,Facebook广告和亚马逊机械图尔克斯和亚马逊机械土豪。对于那些患有帕金森症的人,他们正在罗切斯特大学医学中心接受治疗,论文作者在那里,或者已经同意参与研究。这些参与者必须经医疗中心的专家诊断为有一定程度的帕金森病症状。

3. 2、特征提取和计算工具

使用OpenFace软件对采集的视频进行分析,该软件会自动计算每一帧的面部动作单位(AU)值。这个面部动作单位(AU)(表2)是可用的,目前的研究是基于关联哪些动作单位受到微笑、厌恶和惊讶的脸的影响。

  • 微笑 : AU01, AU06, AU12
  • 恶心:AU04、AU07、AU09。
  • 惊讶的表情 : AU01, AU02, AU04

如下表2所示,由于发现上述面部动作单位(AUU)与每个面部表情相关,因此计算了AUU的方差,并将此方差作为本研究的一个特征。

2. 3. 分析

首先分析的重点是有帕金森病症状和没有帕金森病症状的人之间的特征分布。我们首先进行Mann-Whitney U检验,由于数据不是正态分布,我们采用非参数显著性检验。另外,在重复显著性检验中,我们对这里的所有p值进行了Bonferroni校正。

3.实验结果

3.1 研究合作者的统计资料

3.2 每种表达方式的处理

有帕金森病症状和无帕金森病症状的人面部各动作单位(AU)的差异可总结如下表2。微笑(Smiling)和惊讶(Surprise)面部表情存在显著差异,特别是在AU01和AU06中,尤其是微笑面部表情。

这些结果也表明,微笑的表情对区分帕金森病症状的有无具有重要意义。

有帕金森病症状的人和没有帕金森病症状的人之间AU方差的差异

此外,实际应用SVM对9个面部动作单位(AU)进行分类,判断是否存在帕金森病症状,结果如下。

正确反应率:95.6%,F1:0.95,AUC:0.94,精确度95.8%,召回率94.3。

图1:逻辑回归的特征权重。

有帕金森病症状的人分为1级,没有帕金森病症状的人分为0级,有帕金森病症状的人分为1级。二元分类的结果如下表所示。绿条表示P<0.05的特征,可以说是一个显著的特征。此外,9个特征中,有7个特征的权重为负值,也就是说面部动作单位(AU)的方差越小,有帕金森病症状的概率越高,也可以说面部肌肉的僵硬程度影响了负值。

图2:九种面部动作单元(AU)的二维可视化。

利用PCA将9个特征转化为二维数据,然后对图进行K-means聚类,将其分为三个聚类。红色聚类的PD%(帕金森病参与者的百分比)最高,为76%,且该红色聚类的中心靠近(0,0)坐标,说明帕金森病参与者之间AU方差的影响是相似的。

4. 建议

分布显示,有帕金森病症状的人和没有帕金森病症状的人,两个AU的方差有显著差异。此外,这两点都与微笑表情有关,说明微笑表情,比其他表情受帕金森病影响最大。

4.1 逻辑回归的结果

对数回归结果(图1)显示,在对数回归的过程中。绿化区是发现意义的区域,四种类型中的

  • 三个权重来自于微笑的表情,一个权重来自于厌恶的表情。
  • 三种类型的负权重

三个负权重表示与帕金森病症状呈反向关系。这意味着,低水平的(额肌、内侧肌、上睑下垂肌、上绒毛下垂肌、卷曲肌、眼轮匝肌、眶旁肌、颧大肌)肌肉。可以说,这个运动与。

4.2 AU01(内眉毛提升器)

眉毛的内侧部分是凸起的,这一特征在帕金森病患者中表现出比没有帕金森病的人更大的变化。过去,眉毛震颤被发现是帕金森病的早期症状,有人认为帕金森病可能是眉毛运动增加的一个因素。

4.3 分析精度

虽然帕金森病的症状常以几种不同的方式为特征,包括肢体震颤、头部运动、声音、记忆力、睡眠和步态,但以下结果表明,面部表情扫描可以作为可靠的生物标志物。

  • 简单SVM分类器:95%。
  • 视频分析工具:92%(取决于肢体抖动和头部运动)

4.4 对神经科医生的影响

通过增加一种算法,分析神经外科医生可以看到的特征,加上通常肉眼看不到的微妙特征,可以增加重要的新信息。

4.5 重点

需要注意的是,帕金森病患者并不是所有的症状都会出现,只有部分症状可能会出现,反之则可能没有症状。因此,与其依靠一个与其依赖一种模式,不如使用几种不同的模式,可以提供更可靠的诊断结果。在本研究中,面部表情(尤其是微笑)被作为可靠性较高的方式之一。

4.6 智能手机的使用

智能手机和其他设备可以用来创建工具,通过拍摄和发送像本研究中的短视频来自动筛选患者,如果他们有风险,则将他们转介给神经科医生。

另外,从全球范围来看,非洲、亚洲和南美部分地区的神经科医生人均数量明显偏低。另一方面,非洲约75%的人(南非超过90%)可以使用手机,本研究提出的基于面部表情的分析方法的使用,可以进一步促进改善健康的公平性和可及性。

5.总结

本文提出了一种基于面部表情辨别帕金森病症状有无的方法,并证明这是一种可靠的生物标志物。研究还表明,微笑表情是鉴别的一个重要因素。此外,我们还表明,微笑表情是歧视的一个重要因素。从而实现更容易的诊断。这可以让目前难以诊断的人更容易诊断,也可以成为精神科医生无法到达的地区的助手。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/15974.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Qt】深入探索Qt窗口与对话框:从创建到管理:QDockWidget(浮动窗口)、QDialog(对话框)

文章目录 前言&#xff1a;1. 浮动窗口2. 对话框介绍2.1. 示例&#xff1a;主窗口中&#xff0c;通过点击按钮&#xff0c;弹出一个新的对话框。2.2. 创建自定义对话框2.2.1. 纯代码的方式2.2.2. 图形化界面的方式 3. 模态对话框 和 非模态对话框4. Qt 内置对话框4.1. 消息对话…

Nginx R31 doc-12-NGINX SSL Termination 安全加密

前言 大家好&#xff0c;我是老马。很高兴遇到你。 我们为 java 开发者实现了 java 版本的 nginx https://github.com/houbb/nginx4j 如果你想知道 servlet 如何处理的&#xff0c;可以参考我的另一个项目&#xff1a; 手写从零实现简易版 tomcat minicat nginx 系列 从零手…

Git Submodules:深入理解与应用

在大型项目或跨多个独立项目的开发中&#xff0c;代码管理往往变得复杂。Git Submodules 是 Git 提供的一个强大功能&#xff0c;允许你在一个 Git 仓库&#xff08;称为父仓库&#xff09;中嵌套另一个 Git 仓库&#xff08;称为子模块仓库&#xff09;。本文将详细介绍 Git S…

Linux/Windows下如何同时运行服务端和客户端

假设服务端和客户端程序分别为server.c和client.c注意顺序&#xff01; 先运行服务端&#xff0c;后运行客户端先结束客户端&#xff0c;后结束客户端 编译 gcc -o server server.cgcc -o server client.c运行 # 先运行服务器 ./server# 再运行客户端 ./client./表示当前目录…

Hybrid Block Storage for Efficient Cloud Volume Service——论文泛读

TOS 2023 Paper 论文阅读笔记整理 问题 传统桌面和服务器应用程序向云的迁移给底层云存储带来了高性能、高可靠性和低成本的挑战。由于这些传统应用程序的I/O模式和一致性要求&#xff0c;与采用特定编程模型和范式&#xff08;如MapReduce[22]和RDD[52]&#xff09;的云原生…

香橙派AIpro(OrangePi AIPro)开发板初测评

开发板简介 最近&#xff0c;我拿到手一款Orange Pi AI Pro 开发板&#xff0c;它是香橙派联合华为精心打造的高性能AI 开发板&#xff0c;最早发布于2023年12月&#xff0c;其搭载了昇腾AI 处理器&#xff0c;可提供8TOPS INT8 的计算能力&#xff0c;内存提供了8GB 和16GB两…

基于jeecgboot-vue3的Flowable新建流程定义(一)

因为这个项目license问题无法开源&#xff0c;更多技术支持与服务请加入我的知识星球。 1、vue3版本因为流程分类是动态的&#xff0c;不再固定了&#xff0c;所以新建的时候需要选择建立哪种流程类型的流程 代码如下&#xff1a; <!-- 选择模型的流程类型对话框 -->&…

算法提高之一个简单的整数问题2

算法提高之一个简单的整数问题2 核心思想&#xff1a;线段树 懒标记&#xff1a;add存每个子节点需要加的数pushdown&#xff1a;将懒标记向下存 同时清除本行懒标记 #include <iostream>#include <cstring>#include <algorithm>using namespace std;type…

数据结构(六)图

2024年5月26日一稿(王道P220) 6.1 图的基本概念 6.1.1 图的定义 6.2 图的存储及基本操作 6.2.1邻接矩阵法 6.2.2 邻接表

python web自动化(分布式测试Grid)

Grid介绍 Selenium Grid 是 Selenium 提供的⼀个⼯具&#xff0c;⽤于⽀持在多台计算机上并⾏运⾏测试。 它允许将测试分发到不同的机器和浏览器组合上&#xff0c;同时收集结果。 1.并⾏执⾏测试⽤例&#xff1a;在不同的机器上并⾏执⾏测试⽤例&#xff0c;从⽽加速整个测试过…

Vulhub——adminer

文章目录 一、CVE-2021-21311&#xff08;SSRF&#xff09;二、CVE-2021-43008&#xff08;远程文件读取&#xff09; 一、CVE-2021-21311&#xff08;SSRF&#xff09; Adminer是一个PHP编写的开源数据库管理工具&#xff0c;支持MySQL、MariaDB、PostgreSQL、SQLite、MS SQL…

如何在WRF模型中更好地设置这些海洋物理参数以提高模拟精度?

在WRF&#xff08;Weather Research and Forecasting&#xff09;模型中正确设置海洠物理参数是提高模拟精度的关键&#xff0c;特别是当模拟涉及到海洋和大气的相互作用时。以下是一些提高模拟精度的策略和建议&#xff1a; 1. 理解模拟的地区和目标 在进行参数设置之前&…

基于SpringBoot+Vue的人事管理系统

引言 目前,人事管理的系统大都是CS架构的大型系统,很少有面向机关,事业单位内部的基于BS架构的微型人事系统,因此.开发一个基于BS架构的人事信息管理系统是非常必要的.但是基于BS架构的人事系统对于安全是一个大的考验点.在人事信息系统中,功能需简单清晰,可操作性强,其次安全…

使用paddlepaddle框架构建ViT用于CIFAR10图像分类

使用paddlepaddle框架构建ViT用于CIFAR10图像分类 硬件环境&#xff1a;GPU (1 * NVIDIA T4) 运行时间&#xff1a;一个epoch大概一分钟 import paddle import time import paddle.nn as nn import paddle.nn.functional as F import paddle.vision.transforms as transforms…

CCF-GESP 等级考试 2023年3月认证C++一级真题解析

2024年03月真题 一、单选题&#xff08;每题2分&#xff0c;共30分&#xff09; 第 1 题 以下不属于计算机输入设备的有&#xff08; &#xff09;。 A. 键盘B. 音箱C. 鼠标D. 传感器 正确答案&#xff1a;B. 音箱 解析&#xff1a; A. 键盘&#xff1a;键盘是输入设备。B. …

第六节:带你全面理解vue3 浅层响应式API: shallowRef, shallowReactive, shallowReadonly

前言 前面两章,给大家讲解了vue3中ref, reactive,readonly创建响应式数据的API, 以及常用的计算属性computed, 侦听器watch,watchEffect的使用 其中reactive, ref, readonly创建的响应式数据都是深层响应. 而本章主要给大家讲解以上三个API 对应的创建浅层响应式数据的 API,…

Java面试题:Executor框架在Java并发编程中扮演什么角色?如何使用它?

在Java并发编程中&#xff0c;Executor框架扮演着核心角色&#xff0c;它提供了一种高级的、线程安全的机制来异步执行任务。Executor框架的主要目的是将任务的提交与任务的执行分离&#xff0c;从而简化了多线程编程的复杂性。 Executor框架的角色&#xff1a; 任务与线程分离…

持续总结中!2024年面试必问 20 道 Redis面试题(八)

上一篇地址&#xff1a;持续总结中&#xff01;2024年面试必问 20 道 Redis面试题&#xff08;七&#xff09;-CSDN博客 十五、使用过Redis做异步队列么&#xff0c;你是怎么用的&#xff1f; Redis作为一个高性能的键值存储系统&#xff0c;非常适合用来实现异步队列。异步队…

【STM32单片机】----实现LED灯闪烁实战

&#x1f3a9; 欢迎来到技术探索的奇幻世界&#x1f468;‍&#x1f4bb; &#x1f4dc; 个人主页&#xff1a;一伦明悦-CSDN博客 ✍&#x1f3fb; 作者简介&#xff1a; C软件开发、Python机器学习爱好者 &#x1f5e3;️ 互动与支持&#xff1a;&#x1f4ac;评论 &…

【机器学习-23】关联规则(Apriori)算法:介绍、应用与实现

在现代数据分析中&#xff0c;经常需要从大规模数据集中挖掘有用的信息。关联规则挖掘是一种强大的技术&#xff0c;可以揭示数据中的隐藏关系和规律。本文将介绍如何使用Python进行关联规则挖掘&#xff0c;以帮助您发现数据中的有趣模式。 一、引言 1. 简要介绍关联规则学习…