在帕金森病智能手表 (PADS) 数据集中的机器学习

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 智能设备为运动障碍研究提供了新的工具.
• 缺乏全面的,注释的移动数据集,阻碍了ML模型的开发,以在家检测疾病.
• 现有研究需要可靠的数据来进行可靠的诊断和治疗监测.

研究的目的:

• 为帕金森病 (PD) 和其差异诊断 (DD) 创建一个全面的运动数据和临床注释数据集.
• 开发和验证使用智能设备数据进行疾病检测和监测的机器学习 (ML) 模型.
• 为了促进基于家庭的运动障碍的评估和管理.

主要方法:

• 这是一项为期三年的横截面研究,涉及504名参与者 (PD,DD,健康对照).
• 在神经科医生设计的评估过程中使用了多模式智能手机应用程序,包含电子问卷和智能手表测量.
• 应用了整合性ML方法,结合信号处理和深度学习,然后进行交叉验证.

主要成果:

• 在对帕金森病 (PD) 和健康对照 (HC) 的分类中实现了91.16%的平衡准确性.
• 在区分PD与差异诊断 (DD) 中,达到72.42%的平衡精度.
• 突出了区分类似运动障碍之间的挑战.

结论:

• 开发的数据集和ML模型显示了基于智能设备的运动障碍检测的巨大潜力.
• 区分PD及其差异诊断仍然是未来研究的关键领域.
• 综合性注释支持进一步研究运动障碍的表型生物标志物.