一种使用步态信号特征预测神经退行性疾病的非侵入性方法

科学领域:

• 计算神经科学是一种计算神经科学.
• 生物医学工程 生物医学工程
• 机器学习在医疗保健中的应用.

背景情况:

• 神经退行性疾病,如帕金森病 (PD),亨廷顿病 (HD) 和骨髓缩侧面硬化症 (ALS),以渐进的神经元退化为特征,目前缺乏治疗方法.
• 早期和准确地检测这些衰弱性疾病对于患者管理和治疗干预至关重要.
• 计算方法,特别是机器学习,在识别神经退行性疾病诊断的生物标志物方面表现有前途.

研究的目的:

• 开发和评估基于机器学习的框架,用于使用步态信号检测PD,HD和ALS.
• 评估框架在二进制和多类分类场景中的有效性.
• 确定用于神经退行性疾病检测的步态分析最有效的特征选择方法.

主要方法:

• 提出了一种新的机器学习框架,将天真贝叶斯和逻辑回归分类器集成到UltraBoost组合中.
• 三种先进的特征选择技术 - - 无限特征选择,无限隐性特征选择和Sigmis特征选择 - - 用于识别关键的步态特征.
• 该框架在二进制和多类设置中从受试者的步态数据中检测PD,HD和ALS的能力进行了测试.

主要成果:

• 拟议的UltraBoost整体框架在通过步态信号检测神经退行性疾病方面表现出高准确性.
• 无限特征选择在识别步态特征方面优于其他方法,用于PD和HD的多类检测.
• 在二进制检测中,以99.1%的准确率检测到肌缩侧面硬化症 (ALS),94.2%的准确率检测到亨廷顿病 (HD),98.4%的准确率检测到帕金森病 (PD),使用一组最小的选定步态特征.

结论:

• 开发的机器学习框架使用步态分析有效检测PD,HD和ALS,突出了计算方法在诊断神经退行性疾病方面的潜力.
• 这项研究强调了先进的特征选择技术在提高诊断准确性的重要性,使用最小的数据.
• 这项研究提供了一种有希望的,非侵入性的方法,用于早期检测和区分基于步态特征的关键神经退行性疾病.