Reinforcement-Learning-Modell prognostiziert Parkinsonpatienten-Freeze in 8,7 Sekunden

Ein neues, auf Verstärkungslernen basierendes System kann das „Freezing of Gait“ (FOG) bei Parkinson‑Patienten bereits bis zu 8,7 Sekunden vor dem Auftreten vorhersagen. FOG ist ein lähmendes motorisches Symptom, das häufig zu Stürzen und eingeschränkter Mobilität führt. Durch frühzeitige Vorhersage lassen sich gezielte, proaktive Interventionen mit Hilfstechnologien ermöglichen.

Der Ansatz nutzt eine Double Deep Q‑Network (DDQN) Architektur, die mit Prioritized Experience Replay (PER) angereichert ist. PER lässt das Modell besonders stark auf Erfahrungen mit hohem Lernwert fokussieren, wodurch die Entscheidungsfindung präziser wird. Nach 9 000 Trainingsdurchläufen, unterstützt durch eine Belohnungsstruktur, die vorsichtiges Handeln belohnt, zeigte das System robuste Leistungen in beiden Testformen.

In abhängigen Tests, bei denen das Modell auf denselben Patienten trainiert wurde, erreichte die Vorhersagezeit 7,89 Sekunden. In unabhängigen Tests, bei denen das Modell auf neuen Patienten angewendet wurde, lag die Vorhersagezeit bei 8,72 Sekunden. Diese Ergebnisse deuten darauf hin, dass das Modell in tragbaren Assistenzgeräten eingesetzt werden kann, um rechtzeitig und individuell abgestimmte Hilfestellungen zu bieten und FOG‑Ausbrüche zu verhindern.