To access the full text documents, please follow this link: http://hdl.handle.net/2117/113689

Title:	Deep learning for detecting freezing of gait episodes in Parkinson’s disease based on accelerometers
Author:	Camps, Julià; Samà Monsonís, Albert; Martín Muñoz, Mario; Rodríguez Martín, Daniel Manuel; Pérez López, Carlos; Alcaine, Sheila; Mestre, Berta; Prats, Anna; Crespo, M. Cruz; Cabestany Moncusí, Joan; Bayés, Àngels; Català Mallofré, Andreu
Other authors:	Universitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica; Universitat Politècnica de Catalunya. Departament de Ciències de la Computació; Universitat Politècnica de Catalunya. Departament d'Enginyeria de Sistemes, Automàtica i Informàtica Industrial; Universitat Politècnica de Catalunya. CETpD -Centre d'Estudis Tecnològics per a l'Atenció a la Dependència i la Vida Autònoma; Universitat Politècnica de Catalunya. KEMLG - Grup d'Enginyeria del Coneixement i Aprenentatge Automàtic
Abstract:	The final publication is available at Springer via https://doi.org/10.1007/978-3-319-59147-6_30
Abstract:	Freezing of gait (FOG) is one of the most incapacitating symptoms among the motor alterations of Parkinson’s disease (PD). Manifesting FOG episodes reduce patients’ quality of life and their autonomy to perform daily living activities, while it may provoke falls. Accurate ambulatory FOG assessment would enable non-pharmacologic support based on cues and would provide relevant information to neurologists on the disease evolution. This paper presents a method for FOG detection based on deep learning and signal processing techniques. This is, to the best of our knowledge, the first time that FOG detection is addressed with deep learning. The evaluation of the model has been done based on the data from 15 PD patients who manifested FOG. An inertial measurement unit placed at the left side of the waist recorded tri-axial accelerometer, gyroscope and magnetometer signals. Our approach achieved comparable results to the state-of-the-art, reaching validation performances of 88.6% and 78% for sensitivity and specificity respectively.
Abstract:	Peer Reviewed
Subject(s):	-Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial -Àrees temàtiques de la UPC::Informàtica::Automàtica i control -Àrees temàtiques de la UPC::Enginyeria biomèdica::Electrònica biomèdica -Parkinson's disease -Signal processing -Freezing of gait -Parkinson’s disease -Deep learning -Signal processing -Inertial measurement unit -Parkinson, Malaltia de -Tractament del senyal
Rights:
Document type:	Article - Submitted version Conference Object
Share:

Show full item record