比赛链接：https://www.kaggle.com/competitions/tlvmc-parkinsons-freezing-gait-prediction
比赛简介
本次比赛的目标是检测步态冻结（FOG），这是一种使人衰弱的症状，困扰着许多帕金森病患者。您将开发一个机器学习模型，该模型根据从可穿戴 3D 下背部传感器收集的数据进行训练。
您的工作将帮助研究人员更好地了解何时以及为什么发生FOG发作。这将提高医疗专业人员以最佳方式评估、监测并最终预防 FOG 事件的能力。
据估计，全世界有7万至10万人患有帕金森病，其中许多人患有步态冻结（FOG）。在 FOG 发作期间，患者的脚被“粘”在地面上，尽管他们尝试过，但他们仍无法前进。FOG对与健康相关的生活质量有深远的负面影响 - 患有FOG的人通常抑郁，跌倒的风险增加，更有可能被限制在轮椅上使用，并且独立性受到限制。
虽然研究人员有多种理论来解释何时，为什么以及谁发生FOG，但对其原因仍然没有明确的了解。客观准确地量化FOG的能力是促进其理解和治疗的关键之一。收集和分析FOG事件，例如使用您的数据科学技能，可能会导致潜在的治疗。
有许多评估 FOG 的方法，尽管大多数都涉及引发 FOG 的协议。患有 FOG 的人在执行某些可能增加其发生次数的任务时被拍摄。然后，专家审查视频以对每一帧进行评分，指出 FOG 发生的时间。虽然以这种方式评分相对可靠和敏感，但它非常耗时，并且需要特定的专业知识。另一种方法涉及使用可穿戴设备增强引发FOG的测试。随着传感器的增加，FOG的检测变得更加容易，但是，合规性和可用性可能会降低。因此，这两种方法的组合可能是最好的方法。当与机器学习方法结合使用时，从下背部加速度计检测 FOG 的准确性相对较高。然而，用于训练和测试这些算法的数据集相对较小，迄今为止的泛化性有限。此外，重点是实现高水平的准确性，而例如，精度在很大程度上被忽视了。
竞赛主办方，特拉维夫苏拉斯基医学中心神经学研究所运动，认知和移动研究中心（CMCM），旨在改善与年龄相关的运动，认知和移动障碍的个性化治疗，并减轻相关负担。他们利用临床、工程和神经科学专业知识的组合来：1）对有助于认知和运动功能的生理和病理生理机制、影响这些功能的因素以及它们随着衰老和疾病（例如帕金森病、阿尔茨海默氏症）的变化有新的了解。2）开发新的方法和工具，用于早期检测和跟踪认知和运动衰退。一个主要重点是利用可穿戴设备和数字技术;3）开发和评估预防和治疗步态，跌倒和认知功能的新方法。
您的工作将有助于推进FOG的评估，理解和治疗，改善许多患有这种使人衰弱的帕金森病症状的人的生活。
评估方法
提交由每个事件类的预测的平均精度进行评估。我们分别计算三个事件类中每个事件的预测置信度分数的平均精度（有关更多详细信息，请参阅数据说明），并取这三个分数的平均值以获得总分。
请注意，DeFOG 数据集中的数据系列用Valid和Task标签注释（除了事件标签）。您只应考虑对系列中两者都包含的部分true进行注释。尽管未包含在测试集系列中，但该指标知道这些标签，并且会忽略对这些系列未注释部分的预测（其中任一标签为false）。
对于Id测试集中的每个事件，您必须为三种事件类型中的每一种预测一个置信度分数。在 ground truth 中，只有一个事件类别的每个 都有一个非零值Id，但对预测分数的值没有限制。预测分数可以但不是必需的采用概率的形式（即在 0.0 到 1.0 的范围内）。
Id提交文件中的值应采用以下形式，其中{SeriesId}_{Time}是SeriesId数据系列的标识符，Time是该系列预测中的时间步长。
该文件应包含标头并具有以下格式：
Id,StartHesitation,Turn,Walking
003f117e14_0,0,0,0
003f117e14_1,0,0,0
003f117e14_2,0,0,0
003f117e14_3,0,0,0数据描述
该竞赛数据集包含来自表现出步态发作冻结的受试者的下背部 3D 加速度计数据，这是一种在帕金森病患者中常见的致残症状。步态冻结 (FOG) 会对步行能力产生负面影响，并影响运动能力和独立性。
您的目标是检测每个冻结事件的开始和停止，以及在这一系列中发生的三种类型的冻结步态事件：Start Hesitation、Turn 和 Walking。
数据集
该数据系列包括在不同情况下收集的三个数据集：
-
tDCS FOG (
tdcsfog) 数据集，包括在实验室中收集的数据系列，因为受试者完成了 FOG 激发协议。 -
DeFOG ( ) 数据集，包括在受试者家中收集的数据系列，因为受试者完成了 FOG 激发协议
defog -
Daily Living (
daily) 数据集，包含来自 65 名受试者的一周连续 24/7 记录。45 名受试者表现出 FOG 症状并且在数据defog集中也有系列，而其他 20 名受试者没有表现出 FOG 症状并且在数据的其他地方没有系列。
来自tdcsfog和defog数据集的试验被录像并由专家评审员注释，记录了步态发作的冻结。即每一集的开始、结束和类型都由专家标记。数据集中的系列daily是未注释的。您将检测tdcsfog和defog系列的 FOG 剧集。您可能希望将无监督或半监督方法应用于daily数据集中的系列以支持您的检测建模。
有关这些数据集的更多信息以及步态事件冻结的视频示例，请参阅此页面：其他数据文档。
