在帕金森病中结步态:使用计算智能进行分类

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 帕金森病 (PD) 是一种神经退行性疾病,其特点是多巴胺神经元的损失,导致运动和非运动症状.
• 将PD与其他疾病区分开来可能是具有挑战性的,因为症状重叠.
• 步行异常是帕金森病的关键诊断指标.

研究的目的:

• 开发和评估用于PD诊断的机器学习模型,使用步态数据.
• 根据步态参数,评估PD患者药物的有效性.
• 分析不同任务和患者状态 (ON/OFF药物) 的分类器性能.

主要方法:

• 编制了一个数据集,包括健康的个人和PD患者 (有或没有结步态),记录在开启和关闭药物状态期间.
• 从四个任务中收集数据:自愿停止,定时并继续,简单的运动任务和双动力/认知任务.
• 应用了七种不同的分类器,以区分PD患者与对照患者,并评估药物效应.

主要成果:

• 机器学习模型被应用来区分PD患者和健康个体,无论是整体还是特定任务.
• 用收集的步态数据来评估药物的有效性.
• 多层感知器和决策树分类器在评估的问题中表现最一致.

结论:

• 步态分析数据,当用机器学习处理时,显示了PD诊断的希望.
• 机器学习模型可以有效地区分PD患者,并评估治疗反应.
• 特定的分类器,如多层感知器和决策树,为PD相关的步态分析提供可靠的结果.