Tiny CNNs ermöglichen präzise Parkinson‑Gait‑Erkennung direkt am Sensor

In einer neuen Studie von Forschern aus dem Bereich der Wearable‑Technologie wurde gezeigt, dass ultraleichte, separable Convolutional Neural Networks (CNNs) die Erkennung von Gangmustern bei Parkinson‑Patienten direkt auf dem Gerät selbst ermöglichen. Die Modelle wurden auf dem BioStampRC21‑Datensatz trainiert, der 2‑Sekunden‑Fenster triaxialer Beschleunigungsdaten bei 30 Hz enthält. Durch eine leave‑one‑subject‑out‑Validierung mit 16 Patienten konnten die Autoren die Leistungsfähigkeit der Netzwerke im Vergleich zu herkömmlichen Schwellenwert‑Methoden demonstrieren.

Das kompakte Residual‑Separable‑CNN mit lediglich 533 Parametern erreichte einen PR‑AUC‑Wert von 94,5 % und eine F1‑Score von 91,2 %. Damit übertrifft es das Literatur‑Baseline‑Modell mit 5 552 Parametern (PR‑AUC = 93,7 %) und liefert gleichzeitig eine zehnmal geringere Modellgröße. Das kleinste Modell mit 305 Parametern erzielte einen PR‑AUC von 94,0 % und einen F1‑Score von 91,0 %. Im Gegensatz dazu zeigte die einfache Magnitudenschwellwert‑Methode zwar eine hohe Erkennungsrate (Recall = 89 %) aber nur 76,5 % Präzision, was zu vielen Fehlalarmen führte.

Die Analyse der Sensorpositionen ergab, dass Brust- und Oberschenkel‑IMUs die zuverlässigsten Daten liefern. Arm‑Sensoren, insbesondere an den Unterarmen, führten zu schlechteren Präzisions‑ und Recall‑Werten, weil dort zusätzlich Armbewegungen auftreten. Eine naive Fusion aller Sensorstellen verbesserte die Ergebnisse nicht, sodass die beste Leistung aus der Verwendung eines einzelnen, optimal platzierten Sensors resultiert.

Ein weiterer entscheidender Vorteil der ultraleichten CNNs ist ihre Laufzeit: Auf STM32‑klassischen Mikrocontrollern werden die Modelle in weniger als 10 ms ausgeführt, selbst auf energieeffizienten Boards. Dadurch kann die Gait‑Erkennung direkt am Sensor erfolgen, wodurch die Datenübertragung und -speicherung reduziert werden. Insgesamt demonstriert die Arbeit, dass kompakte separable CNNs eine überlegene Genauigkeit‑Effizienz‑Generalisation‑Balance bieten und damit die Grundlage für ressourcensparende Parkinson‑Diagnostik an der Edge legen.