DOI: https://doi.org/10.1007/s41060-026-01031-x
تاريخ النشر: 2026-01-28
المؤلف: Faizul Rakib Sayem وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تناقش هذه القسم تطوير نموذج جديد للتعلم العميق، Self-FOGNet، يهدف إلى اكتشاف تجمد المشي (FOG) لدى المرضى المصابين بمرض باركنسون (PD). FOG هو عرض مُعطِّل يتميز بصعوبات مفاجئة في الحركة، مما يمكن أن يؤدي إلى السقوط والإصابات. يستخدم النموذج المقترح مجموعة بيانات متعددة الوسائط تتضمن بيانات مقياس تسارع المشي (ACC) والتخطيط الكهربائي للعضلات (EMG) والتخطيط الكهربائي للمخ (EEG)، مما يعزز قدرات الاكتشاف إلى ما هو أبعد من أجهزة قياس الحركة التقليدية (IMU). يدمج Self-FOGNet طبقة من الخلايا العصبية التشغيلية ذات التنظيم الذاتي (Self-ONN)، مما يسمح بتعلم أفضل للأنماط المعقدة من خلال إدخال عدم التجانس في بنية الشبكة العصبية.
تُظهر الدراسة أداءً مثيرًا للإعجاب للنموذج، حيث حقق دقة بنسبة 98.74% وخصوصية بنسبة 98.68% في اكتشاف FOG من خلال نهج التعلم الجماعي الذي يجمع بين مخرجات ثلاثة نماذج متميزة مصممة لكل نوع من البيانات. بالإضافة إلى ذلك، استخرج المؤلفون 191 ميزة عبر جميع القنوات للتخفيف من الإفراط في التكيف والتحيزات، حيث تم إدخال الميزات الأكثر أهمية في النموذج بعد الاختيار. شمل عملية التحقق طرق تحقق خاصة بالشخص وخمس مرات تحقق متقاطع، مما يبرز إمكانية النموذج لاكتشاف FOG في الوقت الحقيقي لمنع الإصابات. ستركز الأبحاث المستقبلية على تعزيز أداء النموذج واستكشاف نماذج الخلايا العصبية المتقدمة ضمن Self-ONNs، بالإضافة إلى تطبيق إطار التصنيف على تسجيلات EEG المتضررة من الحركة ذات الجودة المنخفضة.
مقدمة
يؤثر مرض باركنسون (PD) على أكثر من 1% من الأفراد الذين تتراوح أعمارهم بين 60 عامًا وما فوق، مما يجعله ثاني أكثر الاضطرابات التنكسية العصبية شيوعًا بعد مرض الزهايمر. يتميز المرض بتدهور الخلايا العصبية الدوبامينية في المادة السوداء، مما يؤدي إلى أعراض حركية وغير حركية، بما في ذلك تجمد المشي (FOG)، الذي يؤثر على 50-80% من المرضى في المراحل المتقدمة. يتميز FOG بعدم القدرة المفاجئة على تحريك القدمين للأمام، خاصة أثناء بدء المشي أو عند التنقل في الأماكن الضيقة، مما يزيد بشكل كبير من خطر السقوط.
يطرح اكتشاف FOG تحديات، حيث غالبًا ما يكون غير مُشخص أو مُشخص بشكل خاطئ، خاصةً أن التقييمات السريرية تحدث عادةً خلال المواعيد المجدولة، مما يحد من تقييم التقلبات قصيرة المدى في الإعاقة. تشمل استراتيجيات إدارة FOG العلاجات الدوائية وغير الدوائية، حيث أظهرت طرق الإشارة – سواء السمعية أو البصرية – وعدًا في تعزيز التحكم الحركي والتخفيف من شدة FOG. ومع ذلك، لا تزال فعالية تقنيات الإشارة مثيرة للجدل بسبب نتائج الدراسات غير المتسقة، وغالبًا ما لا تنعكس شدة FOG في العالم الحقيقي في الإعدادات السريرية. لذلك، من الضروري وجود إعداد تقييم إكلينيكي للإشارة لتقييم الفعالية طويلة الأجل لهذه التدخلات.
طرق
في هذا القسم، يوضح المؤلفون المنهجيات المستخدمة للتنبؤ بتجمد المشي (FOG) باستخدام مزيج من التحليل الإحصائي ونماذج التعلم العميق، مستفيدين من بيانات فسيولوجية متعددة الوسائط. شملت معالجة بيانات EEG وEMG وIMU الخام عدة مراحل لإزالة الضوضاء والعيوب، تلتها إعادة أخذ العينات عند 250 هرتز وتطبيق تطبيع الحد الأدنى والحد الأقصى لتوسيع البيانات بين -1 و1. ثم تم استخدام تقنيات استخراج الميزات والاختيار لتحديد الميزات الأكثر صلة، والتي تم دمجها في ثلاث شبكات عصبية هجينة – Self-EEGNet وSelf-EMGNet وSelf-IMUNet – تم تدريب كل منها على أنواع بيانات فردية. تم دمج التنبؤات من هذه النماذج لاحقًا لتعزيز دقة تنبؤات FOG.
أكد إعداد التجربة على أهمية اكتشاف FOG واستراتيجيات الإشارة الفردية، حيث يمكن أن تختلف فعالية تقنيات الإشارة بشكل كبير بين الأفراد. للتحقق من نهجهم، نفذ المؤلفون طرق تحقق خاصة بالشخص وقارنوا نتائجهم مع تقنيات متطورة باستخدام نفس مجموعة البيانات. استخدموا التحقق المتقاطع k-fold لتقليل الإفراط في التكيف وضمان تقييم قوي لتعميم النموذج. تم تطوير نموذج 1D Self-FOGNet، الذي يستخدم طبقات Self-ONN، في PyTorch، مع إجراء حسابات الميزات الأولية في MATLAB لضمان القابلية للتكرار. تم لاحقًا نقل خط أنابيب استخراج الميزات بالكامل إلى Python لتسهيل النشر على المنصات الطرفية، باستخدام مكتبات مثل NumPy وSciPy وMNE لمهام المعالجة المختلفة، ومكتبة FastONN لتحسين تدريب الشبكات العصبية التشغيلية.
نتائج
في هذا القسم، يقدم المؤلفون نتائج عددية توضح فعالية خط معالجة البيانات الخاص بهم في تعزيز وضوح الإشارة عبر وسائط مختلفة، مما يؤدي إلى زيادات كبيرة في نسبة الإشارة إلى الضوضاء (SNR) المتوسطة: 4.2 ديسيبل لـ EEG، 3.8 ديسيبل لـ EMG، و2.9 ديسيبل لإشارات IMU. تستخدم الدراسة مجموعة بيانات حساسات فسيولوجية متعددة الوسائط لتحليل أداء ثلاثة نماذج – Self-EEGNet وSelf-EMGNet وSelf-IMUNet – تم تدريبها على بيانات EEG وEMG وIMU، على التوالي. تشير النتائج إلى أن أعلى أداء للكشف عن تجمد المشي (FOG) يحدث مع قيمة q تساوي 3 في طبقات Self-ONN، محققة دقة بنسبة 97.86% مع نموذج التعلم الجماعي، الذي يتفوق على الأنماط الفردية بحوالي 3% في الحساسية.
تكشف التحليلات الإضافية أن بنية Self-FOGNet، التي تتضمن استخراج الميزات في فضاء المشغل وميزات مصنوعة يدويًا، ضرورية لتحقيق الأداء الأمثل. تؤكد دراسات الإزالة أن استبدال طبقات Self-ONN بنماذج تقليدية يؤدي إلى انخفاض ملحوظ في الدقة والحساسية، مما يبرز أهمية البنية المقترحة. يعزز النموذج الهجين، الذي يجمع بين تمثيلات التعلم العميق وميزات مصنوعة يدويًا، بشكل كبير قدرات الكشف العامة. يختتم المؤلفون بالإشارة إلى إمكانية العمل المستقبلي لتبسيط نهجهم متعدد الوسائط لتطبيقات مراقبة FOG العملية وطويلة الأجل، مع السعي نحو نظام فعال من حيث الموارد مناسب للتقنيات القابلة للارتداء.
مناقشة
تستعرض قسم المناقشة في الورقة التقدمات الكبيرة في اكتشاف تجمد المشي (FOG) منذ أوائل العقد الأول من القرن الحادي والعشرين، مع تسليط الضوء على الانتقال من الطرق التقليدية المعتمدة على الميزات إلى تقنيات التعلم العميق ودمج الوسائط المتعددة. استخدمت الدراسات المبكرة ميزات مصنوعة يدويًا من إشارات EEG وEMG وIMU المعالجة من خلال مصنفات تقليدية مثل آلات الدعم الشعاعي وجيران k الأقرب، محققة تنبؤات موثوقة ولكن غالبًا ما تفتقر إلى القابلية للتعميم بسبب تعرضها للضوضاء. دمجت الأساليب الحديثة أوصاف هجينة ونماذج تعلم عميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، التي أظهرت وعدًا في اكتشاف FOG مع تحسين الخصوصية والحساسية. ومع ذلك، تتطلب هذه النماذج عادةً مجموعات بيانات كبيرة وتثير مخاوف بشأن القابلية للتفسير.
تضع الورقة مساهماتها ضمن هذا المشهد المتطور من خلال تقديم نموذج 1D Self-FOGNet جديد يستخدم دمج الميزات متعددة الوسائط من إشارات EEG وEMG وIMU لالتقاط كل من العلامات العصبية والبيوميكانيكية لـ FOG. يتضمن هذا النموذج شبكات عصبية تشغيلية ذات تنظيم ذاتي (Self-ONNs) لتعلم التمثيل التكيفي، مما يعزز التعميم إلى ما هو أبعد من الشبكات العصبية التلافيفية التقليدية. يؤكد المؤلفون على أهمية المعالجة المسبقة واختيار الميزات، مستخدمين خوارزمية الحد الأدنى من التكرار والحد الأقصى من الأهمية (MRMR) لتحسين مجموعات الميزات من أجل تصنيف قوي. يهدف الإطار المقترح إلى توفير نظام أكثر قابلية للتفسير وفعالية لإدارة مرض باركنسون، مما يظهر إمكانية دمج التعلم التمثيلي من النهاية إلى النهاية مع اختيار الميزات المستند إلى المعلومات لاكتشاف FOG في الوقت الحقيقي.
DOI: https://doi.org/10.1007/s41060-026-01031-x
Publication Date: 2026-01-28
Author(s): Faizul Rakib Sayem et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
This section discusses the development of a novel deep learning model, Self-FOGNet, aimed at detecting freezing of gait (FOG) in patients with Parkinson’s disease (PD). FOG is a debilitating symptom characterized by sudden difficulties in movement, which can lead to falls and injuries. The proposed model utilizes a multimodal dataset that incorporates gait accelerometer (ACC), electromyogram (EMG), and electroencephalogram (EEG) data, enhancing detection capabilities beyond traditional inertial measurement unit (IMU) sensors. Self-FOGNet integrates a self-organized operational neuron (Self-ONN) layer, which allows for better learning of complex patterns by introducing non-homogeneity in the neural network architecture.
The study reports an impressive performance of the model, achieving 98.74% accuracy and 98.68% specificity in FOG detection through an ensemble learning approach that combines outputs from three distinct models tailored for each data modality. Additionally, the authors extracted 191 features across all channels to mitigate overfitting and biases, injecting the most significant features into the model after selection. The validation process included person-specific and fivefold cross-validation, emphasizing the model’s potential for real-time FOG detection to prevent injuries. Future research will focus on enhancing model performance and exploring advanced neuron models within Self-ONNs, as well as applying the classification framework to low-quality motion-corrupted EEG recordings.
Introduction
Parkinson’s disease (PD) affects over 1% of individuals aged 60 and older, making it the second most common neurodegenerative disorder after Alzheimer’s disease. The disease is characterized by the degeneration of dopaminergic neurons in the substantia nigra, leading to motor and non-motor symptoms, including freezing of gait (FOG), which impacts 50-80% of patients in advanced stages. FOG is marked by a sudden inability to move the feet forward, particularly during gait initiation or when navigating tight spaces, significantly increasing the risk of falls.
Detecting FOG poses challenges, as it is often undiagnosed or misdiagnosed, especially since clinical assessments typically occur during scheduled appointments, limiting the evaluation of short-term fluctuations in disability. Management strategies for FOG include pharmacological and non-pharmacological therapies, with cueing methods—both auditory and visual—showing promise in enhancing motor control and mitigating FOG severity. However, the effectiveness of cueing techniques remains controversial due to inconsistent study findings, and FOG’s real-world severity often goes unreflected in clinical settings. Therefore, a clinical cueing evaluation setup is necessary to assess the long-term effectiveness of these interventions.
Methods
In this section, the authors outline the methodologies employed for predicting Freezing of Gait (FOG) using a combination of statistical analysis and deep learning models, leveraging multi-modal physiological data. The preprocessing of raw EEG, EMG, and IMU sensor data involved several stages to eliminate noise and artifacts, followed by resampling at 250 Hz and applying min-max normalization to scale the data between -1 and 1. Feature extraction and selection techniques were then utilized to identify the most relevant features, which were integrated into three hybrid neural networks—Self-EEGNet, Self-EMGNet, and Self-IMUNet—each trained on individual data modalities. The predictions from these models were subsequently combined to enhance the accuracy of FOG predictions.
The experimental setup emphasized the importance of individualized FOG detection and cueing strategies, as the effectiveness of cueing techniques can vary significantly among individuals. To validate their approach, the authors implemented person-specific validation methods and compared their results against state-of-the-art techniques using the same dataset. They employed k-fold cross-validation to minimize overfitting and ensure a robust assessment of model generalization. The 1D Self-FOGNet model, utilizing Self-ONN layers, was developed in PyTorch, with initial feature computations performed in MATLAB for reproducibility. The entire feature extraction pipeline was later transitioned to Python to facilitate deployment on edge platforms, utilizing libraries such as NumPy, SciPy, and MNE for various processing tasks, and the FastONN library for optimizing the training of operational neural networks.
Results
In this section, the authors present numerical results demonstrating the efficacy of their preprocessing pipeline for enhancing signal clarity across various modalities, leading to significant increases in average signal-to-noise ratio (SNR): 4.2 dB for EEG, 3.8 dB for EMG, and 2.9 dB for IMU signals. The study employs a multimodal physiological sensor dataset to analyze the performance of three models—Self-EEGNet, Self-EMGNet, and Self-IMUNet—trained on EEG, EMG, and IMU data, respectively. The results indicate that the highest detection performance for freezing of gait (FOG) occurs with a q value of 3 in Self-ONN layers, achieving an accuracy of 97.86% with the ensemble learning model, which outperforms individual modalities by approximately 3% in sensitivity.
Further analysis reveals that the Self-FOGNet architecture, which incorporates operator-space feature extraction and handcrafted features, is essential for optimal performance. Ablation studies confirm that replacing Self-ONN layers with conventional models results in a notable decrease in accuracy and sensitivity, emphasizing the importance of the proposed architecture. The hybrid model, combining deep learning representations with handcrafted features, significantly enhances overall detection capabilities. The authors conclude by highlighting the potential for future work to streamline their multimodal approach for practical, long-term FOG monitoring applications, aiming for a resource-efficient system suitable for wearable technologies.
Discussion
The discussion section of the paper reviews significant advancements in the detection of freezing of gait (FOG) since the early 2000s, highlighting a transition from traditional feature-based methods to deep learning and multimodal fusion techniques. Early studies employed handcrafted features from EEG, EMG, and IMU signals processed through classical classifiers like support vector machines and k-nearest neighbors, achieving reliable predictions but often lacking generalizability due to noise susceptibility. Recent approaches have integrated hybrid descriptors and deep learning models, particularly convolutional neural networks (CNNs), which have shown promise in detecting FOG with improved specificity and sensitivity. However, these models typically require large datasets and raise interpretability concerns.
The paper positions its contributions within this evolving landscape by introducing a novel 1D Self-FOGNet model that utilizes multimodal feature fusion from EEG, EMG, and IMU signals to capture both neurological and biomechanical markers of FOG. This model incorporates self-organizing operational neural networks (Self-ONNs) for adaptive representation learning, enhancing generalization beyond conventional CNNs. The authors emphasize the importance of preprocessing and feature selection, employing the Minimum Redundancy Maximum Relevance (MRMR) algorithm to optimize feature sets for robust classification. The proposed framework aims to provide a more interpretable and effective system for managing Parkinson’s disease, demonstrating the potential of combining end-to-end representation learning with information-theoretic feature selection for real-time FOG detection.