在帕金森病中使用机器学习对MDS-UPDRS III对象的基于传感器的量化

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 可穿戴技术可穿戴技术

背景情况:

• 帕金森病 (PD) 显著影响运动功能,需要客观的量化方法.
• 目前对PD运动症状的临床评估可能是主观的和不频繁的.
• 可穿戴式传感器为持续,客观的运动症状监测提供了一个有希望的途径.

研究的目的:

• 评估可穿戴惯性测量单元 (IMU) 结合机器学习来量化帕金森病上肢运动症状的有效性.
• 使用传感器数据对运动障碍学会统一帕金森病评级尺度 (MDS-UPDRS) III的特定子项进行分类和预测.
• 为远程监测PD运动功能和治疗反应奠定基础.

主要方法:

• 在33名PD患者和12名对照中使用了两个紧的IMU,安装在每只手的背部.
• 在6个标准化的临床运动任务中收集的传感器数据,与MDS-UPDRS III评估同时进行.
• 在传感器数据和临床分数上训练有素的监督机器学习模型,包括随机森林 (RF) 和支持矢量机器 (SVM).

主要成果:

• 在分类不同的运动任务时,获得了94%的整体准确性.
• 在分类电机分数方面表现出高性能,平均接收器操作特征下面面积 (aROC) 值在68%至92%之间.
• 射频回归模型成功预测了运动得分;与射频相比,SVM模型在特定任务中表现优越.

结论:

• 可穿戴的IMU与机器学习相结合,为帕金森病的客观上肢运动症状评估提供了强大的方法.
• 开发的方法在某些方面超越了现有的文献基准,提供了更好的准确性和预测.
• 这种方法支持开发可扩展的,基于家庭的监测解决方案,以补充临床评估和跟踪治疗疗效.