FM-FoG: A Real-Time Foundation Model-based Wearable System for Freezing-of-Gait Mitigation

📄 arXiv: 2509.24176v1 📥 PDF

作者: Chuntian Chi, John Clapham, Leslie Cloud, Ingrid Pretzer-Aboff, GinaMari Blackwell, Huajie Shao, Gang Zhou

分类: cs.LG

发布日期: 2025-09-29

备注: This is a preprint version, 12 pages, 7 figures, 8 tables

💡 一句话要点

提出基于Foundation Model的FM-FoG系统，无需患者特定训练即可实时缓解步态冻结

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 步态冻结 帕金森病 Foundation Model 可穿戴系统 实时检测 自监督学习 惯性测量单元

📋 核心要点

  1. 现有FoG检测系统依赖大量患者特定数据，泛化性差，限制了临床应用。
  2. FM-FoG结合自监督预训练和传感器上下文，利用轻量级活动分类器选择性激活Foundation Model。
  3. 在VCU FoG-IMU数据集上，FM-FoG在未见患者上F1分数达98.5%，电池续航提升72%。

📝 摘要（中文）

步态冻结(FoG)影响超过50%的中晚期帕金森病(PD)患者，严重损害患者的行动独立性和生活质量。FoG的特征是行走无法开始或中断的突发情况，仅发生在站立或行走期间，而从不发生在坐着或躺着时。目前的FoG检测系统需要大量的患者特定训练数据，并且缺乏泛化能力，限制了临床部署。为了解决这些问题，我们引入了FM-FoG，这是一个基于Foundation Model的实时可穿戴系统，无需患者特定训练即可在未见过的患者中实现FoG检测。我们的方法结合了在各种惯性测量单元(IMU)数据集上的自监督预训练与传感器上下文集成。由于FoG仅发生在活动期间，因此轻量级CNN-LSTM活动分类器仅在行走或站立期间选择性地激活Foundation Model，避免了不必要的计算。在包含23名PD患者的VCU FoG-IMU数据集上进行评估，FM-FoG在未见过的患者上测试时实现了98.5%的F1分数，大大优于竞争基线方法。该系统部署在Google Pixel 8a智能手机上，在保持低于20ms干预延迟的同时，电池续航时间延长了高达72%。结果表明，我们的FM-FoG可以实现实用的、节能的医疗保健应用，这些应用可以在没有个体训练要求的情况下跨患者进行泛化。

🔬 方法详解

问题定义：论文旨在解决帕金森病患者步态冻结（FoG）的实时检测问题。现有FoG检测方法通常需要针对每个患者进行大量的训练数据收集和模型微调，这使得它们难以推广到新的患者，限制了其临床应用。此外，计算复杂度也是一个挑战，尤其是在可穿戴设备上部署时。

核心思路：论文的核心思路是利用Foundation Model强大的表征学习能力，通过在大量IMU数据上进行自监督预训练，学习通用的步态特征。同时，为了提高效率，引入一个轻量级的活动分类器，仅在患者处于行走或站立状态时才激活Foundation Model，避免不必要的计算。这种设计旨在实现高精度、高泛化性和低功耗的FoG检测。

技术框架：FM-FoG系统主要包含两个模块：活动分类器和FoG检测器。活动分类器是一个轻量级的CNN-LSTM网络，用于区分行走、站立、坐着和躺着等活动状态。FoG检测器是一个基于Foundation Model的网络，它接收IMU数据作为输入，并输出FoG发生的概率。系统首先使用活动分类器判断患者是否处于行走或站立状态，如果是，则激活FoG检测器进行FoG检测。

关键创新：该论文的关键创新在于将Foundation Model引入到FoG检测领域，并结合活动分类器实现了高效的实时检测。与传统的监督学习方法相比，FM-FoG无需患者特定的训练数据，具有更好的泛化能力。此外，通过选择性激活Foundation Model，显著降低了计算复杂度，使其能够在可穿戴设备上实时运行。

关键设计：Foundation Model的具体架构未知，但强调了其通过自监督学习从大量IMU数据中提取通用步态特征的能力。活动分类器采用CNN-LSTM结构，旨在有效捕捉时序信息。论文还提到系统在Google Pixel 8a智能手机上的部署，并优化了电池续航时间，但未提供具体的优化细节。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FM-FoG在VCU FoG-IMU数据集上取得了显著的性能提升，在未见过的患者上实现了98.5%的F1分数，明显优于其他基线方法。此外，该系统在Google Pixel 8a智能手机上部署时，在保持低于20ms干预延迟的同时，电池续航时间延长了高达72%。这些结果表明FM-FoG具有很高的实用价值，有望在实际临床环境中应用。

🎯 应用场景

FM-FoG系统可应用于帕金森病患者的日常监测和康复治疗。通过实时检测FoG事件，系统可以及时发出警报或提供辅助干预，例如通过触觉或听觉提示帮助患者恢复行走。此外，该系统还可以用于远程患者监测，医生可以远程评估患者的病情并调整治疗方案。该研究为开发更智能、更个性化的帕金森病管理系统奠定了基础。

📄 摘要（原文）

Freezing-of-Gait (FoG) affects over 50% of mid-to-late stage Parkinson's disease (PD) patients, significantly impairing patients' mobility independence and reducing quality of life. FoG is characterized by sudden episodes where walking cannot start or is interrupted, occurring exclusively during standing or walking, and never while sitting or lying down. Current FoG detection systems require extensive patient-specific training data and lack generalization, limiting clinical deployment. To address these issues, we introduce FM-FoG, a real-time foundation model-based wearable system achieving FoG detection in unseen patients without patient-specific training. Our approach combines self-supervised pretraining on diverse Inertial Measurement Unit (IMU) datasets with sensor context integration. Since FoG occurs only during ambulatory activities, a lightweight CNN-LSTM activity classifier selectively activates the foundation model only during walking or standing, avoiding unnecessary computation. Evaluated on the VCU FoG-IMU dataset with 23 PD patients, FM-FoG achieves a 98.5% F1-score when tested on previously unseen patients, substantially outperforming competitive baseline methods. Deployed on a Google Pixel 8a smartphone, the system extends battery life by up to 72% while maintaining sub-20ms intervention latency. The results indicate that our FM-FoG can enable practical, energy-efficient healthcare applications that generalize across patients without individual training requirements.