基于混合信号处理和机器学习方法的帕金森病早期检测和严重程度等级的步态分类

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 神经学 神经学

背景情况:

• 帕金森病 (PD) 是一种影响运动功能的神经退行性疾病,行走功能障碍是其关键症状.
• 目前评估PD严重程度的方法依赖于主观的临床专业知识,导致潜在的不准确性和效率低下.
• 步态分析为PD患者的运动障碍提供了客观的亚临床见解.

研究的目的:

• 开发和验证一种混合信号处理和机器学习系统,用于PD中客观地检测步行异常.
• 通过基于霍恩和雅尔尺度的步态分析来准确评估帕金森病的严重程度.
• 克服PD当前临床评估方法的主观性和无效性.

主要方法:

• 从垂直地面反应力 (VGRF) 的时间序列数据中重建相位空间.
• 使用香农能量提取VGRF相位空间信号的特征外.
• 通过双重Q因子信号分解,将香农能量包裹分解为高和低共振组件.
• 进一步将共振元件分解为内在模式,使用变化模式分解来提取特征.
• 使用五种机器学习模型,包括支持矢量机器 (SVM),对PD异常和严重性的分类.

主要成果:

• 拟议的混合系统实现了早期PD检测 ($$) 和严重性评级 ($$) 的高分类准确性,使用Physionet步态数据库的10倍交叉验证.
• 支持矢量机 (SVM) 分类器在测试模型中表现出优异的性能.
• 该方法与现有最先进的方法相比显示出显著的改进,验证了其有效性.

结论:

• 开发的混合信号处理和机器学习方法为帕金森病的检测和严重程度评估提供了强大的客观方法.
• 该系统有潜力通过提供定量步态分析来增强PD患者的临床诊断和监测.
• 这些发现支持先进的计算方法在理解和管理神经退行性运动障碍方面的临床实用性.