Introduction Freezing of gait (FoG) is a significant issue for those with Parkinson’s disease (PD) since it is a primary contributor to falls and is linked to a poor superiority of life. The underlying apparatus is still not understood; however, it is postulated that it is associated with cognitive disorders, namely impairments in executive and visuospatial functions. During episodes of FoG, patients may experience the risk of falling, which significantly effects their quality of life. Methods This research aims to systematically evaluate the effectiveness of machine learning approaches in accurately predicting a FoG event before it occurs. The system was tested using a dataset collected from the Kaggle repository and comprises 3D accelerometer data collected from the lower backs of people who suffer from episodes of FoG, a severe indication frequently realized in persons with Parkinson’s disease. Data were acquired by measuring acceleration from 65 patients and 20 healthy senior adults while they engaged in simulated daily life tasks. Of the total participants, 45 exhibited indications of FoG. This research utilizes seven machine learning methods, namely the decision tree, random forest, Knearest neighbors algorithm, LightGBM, and CatBoost models. The Gated Recurrent Unit (GRU)-Transformers and Longterm Recurrent Convolutional Networks (LRCN) models were applied to predict FoG. The construction and model parameters were planned to enhance performance by mitigating computational difficulty and evaluation duration. Results The decision tree exhibited exceptional performance, achieving sensitivity rates of 91% in terms of accuracy, precision, recall, and F1- score metrics for the FoG, transition, and normal activity classes, respectively. It has been noted that the system has the capacity to anticipate FoG objectively and precisely. This system will be instrumental in advancing consideration in furthering the comprehension and handling of FoG.

Background/Objectives: Epilepsy is a prevalent neurological disorder characterized by seizures that significantly impact individuals and their social environments. Given the unpredictable nature of epileptic seizures, developing automated epilepsy diagnosis systems is increasingly important. Epilepsy diagnosis traditionally relies on analyzing EEG signals, with recent deep learning methods gaining prominence due to their ability to bypass manual feature extraction. Methods: This study proposes a continuous wavelet transform-based depthwise convolutional neural network (DCNN) for epilepsy diagnosis. The 35-channel EEG signals were transformed into 35-channel images using continuous wavelet transform. These images were then concatenated horizontally and vertically into a single image (seven rows by five columns) using Python’s PIL library, which served as input for training the DCNN model. Results: The proposed model achieved impressive performance metrics on unseen test data: 95.99% accuracy, 94.27% sensitivity, 97.29% specificity, and 96.34% precision. Comparative analyses with previous studies and state-of-the-art models demonstrated the superior performance of the DCNN model and image concatenation technique. Conclusions: Unlike earlier works, this approach did not employ additional classifiers or feature selection algorithms. The developed model and image concatenation method offer a novel methodology for epilepsy diagnosis that can be extended to different datasets, potentially providing a valuable tool to support neurologists globally.