Parkinson Hastalığı'nda Giyilebilirler ve Makine Öğrenimi Kullanarak Gait'in Donması Tahmini.

Araştırma özeti

Aşağıdaki metin kaynak makalenin lisansı doğrulanmış orijinal özetidir. cc by

Freezing of gait (FOG) is one of the most troublesome symptoms of Parkinson's disease, affecting more than 50% of patients in advanced stages of the disease. Wearable technology has been widely used for its automatic detection, and some papers have been recently published in the direction of its prediction. Such predictions may be used for the administration of cues, in order to prevent the occurrence of gait freezing. The aim of the present study was to propose a wearable system able to catch the typical degradation of the walking pattern preceding FOG episodes, to achieve reliable FOG prediction using machine learning algorithms and verify whether dopaminergic therapy affects the ability of our system to detect and predict FOG.MethodsA cohort of 11 Parkinson's disease patients receiving (on) and not receiving (off) dopaminergic therapy was equipped with two inertial sensors placed on each shin, and asked to perform a timed up and go test. We performed a step-to-step segmentation of the angular velocity signals and subsequent feature extraction from both time and frequency domains. We employed a wrapper approach for feature selection and optimized different machine learning classifiers in order to catch FOG and pre-FOG episodes.ResultsThe implemented FOG detection algorithm achieved excellent performance in a leave-one-subject-out validation, in patients both on and off therapy. As for pre-FOG detection, the implemented classification algorithm achieved 84.1% (85.5%) sensitivity, 85.9% (86.3%) specificity and 85.5% (86.1%) accuracy in leave-one-subject-out validation, in patients on (off) therapy. When the classification model was trained with data from patients on (off) and tested on patients off (on), we found 84.0% (56.6%) sensitivity, 88.3% (92.5%) specificity and 87.4% (86.3%) accuracy.ConclusionsMachine learning models are capable of predicting FOG before its actual occurrence with adequate accuracy. The dopaminergic therapy affects pre-FOG gait patterns, thereby influencing the algorithm's effectiveness.

Türkçe çeviri

Makine çevirisi · Klinik kullanım öncesinde kaynakla karşılaştırılmalı.

Yürüyüşün dondurulması (FOG), Parkinson hastalığının en sorunlu semptomlarından biridir ve hastalığın ileri aşamalarında hastaların% 50'sinden fazlasını etkiler. Giyilebilir teknoloji, otomatik tespiti için yaygın olarak kullanılmaktadır ve son zamanlarda bazı makaleler tahmin doğrultusunda yayınlanmıştır. Bu tür tahminler, yürüyüş donmasının oluşmasını önlemek için ipuçlarının yönetimi için kullanılabilir. Bu çalışmanın amacı, FOG bölümlerinden önceki yürüme düzeninin tipik bozulmasını yakalayabilen, makine öğrenme algoritmalarını kullanarak güvenilir FOG tahminini elde edebilen ve dopaminerjik tedavinin sistemimizin FOG'yu tespit etme ve tahmin etme yeteneğini etkileyip etkilemediğini doğrulamak için giyilebilir bir sistem önermekti. 11 Parkinson hastalığı hastasının MethodsA kohortu (on) ve (off) dopaminerjik terapi almamak için her bir kez yerleştirilmiş ve istenen iki atalet sensörü ile donatılmıştır. Açısal hız sinyallerinin adım adım segmentasyonunu ve ardından hem zaman hem de frekans etki alanlarından özellik ekstraksiyonunu gerçekleştirdik. FOG ve ön-FOG bölümlerini yakalamak için özellik seçimi ve optimize edilmiş farklı makine öğrenme sınıflandırıcıları için bir ambalaj yaklaşımı kullandık.SonuçlarUygulamalı FOG algılama algoritması, hem açık hem de kapalı terapide, bir konu dışında bırakma doğrulamasında mükemmel performans elde etti. FOG öncesi tespite gelince, uygulanan sınıflandırma algoritması %84.1 (%85.5) hassasiyet, %85.9 (%86.3) özgüllük ve %85.5 (%86.1) kesinlik, leave-one-subject-out doğrulaması, hastalarda (off) terapi elde etti. Sınıflandırma modeli hastaların verileriyle (kapalı) eğitildiğinde ve hastalar üzerinde test edildiğinde (açıkta) %84.0 (%56.6), hassasiyet, %88.3 (%92.5) özgüllük ve %87.4 (%86.3) doğruluk bulduk.ConclusionsMachine öğrenme modelleri, FOG'yu gerçek oluşumundan önce yeterli doğrulukla tahmin etme yeteneğine sahiptir. Dopaminerjik tedavi, FOG öncesi yürüyüş kalıplarını etkiler, böylece algoritmanın etkinliğini etkiler.

İlgili konular