arXiv cs.AI· Rehan Khan, Muhammad Ashraf, Sikandar Ali, Asad Ali Khan, Muhammad Junaid Asif, Nabeel Ahmad·· 11 小时前AI 评分22
结合三轴 IMU 传感器与集成学习实现帕金森病严重程度分类
Integrating Triaxial IMU Sensors and Ensemble Learning for Effective Parkinson Disease Severity Classification
AI 导读
一项研究用三轴 IMU 采集加速度与陀螺仪信号，对比 SVM、LR、KNN、DT、XGBoost 和 LightGBM 等模型对帕金森病严重程度的分类效果。LightGBM 表现最佳，Accuracy、Precision、Recall 和 F1-score 均约 97%，KNN 约 90%，SVM 接近 94%，DT 与 XGBoost 接近 96%。
正文 · AI 翻译
摘要：帕金森病（PD）是一种进行性神经退行性疾病，可对运动表现产生显著影响，导致出现震颤、僵硬、姿势不稳和运动迟缓等症状。及时进行临床治疗、疾病管理以及患者的生活质量，都与早期且恰当地识别 PD 密切相关。过去几年中，可穿戴传感器技术和人工智能（AI）的发展使得创建无创且数据驱动的疾病检测方法成为可能。本文提出了一种比较系统，利用人工智能分析惯性测量单元（IMU）采集的运动和震颤数据来检测帕金森病。数据包括加速度计和陀螺仪传感器测量 X、Y、Z 三个方向运动的信号。这些体征和症状提供了有关 PD 相关细微运动缺陷的有用信息。研究采用了支持向量机（SVM）、逻辑回归（LR）、K 近邻（KNN）、决策树（DT）、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）等多种分类模型来比较其有效性。逻辑回归模型在所有评估指标上的性能约为 75%，K 近邻（KNN）约为 90%。支持向量机（SVM）的性能接近 94%，而决策树和 XGBoost 等分类器的性能分别接近 96%，整体分类效果亦然。LightGBM 模型在所有评估方法中始终表现最佳，其准确率、精确率、召回率和 F1 分数均约为 97%。结果表明，所提出的机器学习方法在 PD 严重程度分类中提供了准确且有效的预测能力。
| 主题： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2608.28602 [cs.AI] |
| （或 arXiv:2608.28602v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.28602 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Muhammad Junaid Asif [查看电子邮件]
[v1]
2026 年 6 月 30 日星期二 09:49:30 UTC（1,509 KB）
[v2]
2026 年 11 月 5 日星期四 04:30:57 UTC（1,070 KB）
来源：arXiv cs.AI · arxiv.org