可穿戴传感器设备可以通过可解释的机器学习模型自动识别帕金森病患者的ON-OFF状态

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:

• 准确量化帕金森病 (PD) 临床特征对于诊断和治疗至关重要.
• 对运动症状的客观评估在PD管理中具有挑战性.

研究的目的:

• 开发一种可解释的机器学习 (ML) 模型,用于对PD患者的"关闭"和"启动"运动状态进行分类.
• 确定与PD临床症状波动相关的关键运动特征.
• 探索ML模型作为PD客观生物标志物的潜力.

主要方法:

• 使用的支持矢量机器-递归特征消除 (SVM-RFE) 用于电机特征选择.
• 构建和评估了12个ML模型,包括Naive Bayes (NB).
• 采用了SHapley添加式解释 (SHAP) 和局部可解释的模型不可知解释 (LIME) 来实现模型可解释性和特征重要性排名.

主要成果:

• 纯粹的贝叶斯 (NB) 模型显示出优异的分类性能 (AUC = 0.956).
• 确定了影响PD状态分类的八个关键运动特征.
• 步态:运动范围 (RoM) 左 (L) [中]被突出显示为一个重要的运动特征.

结论:

• 使用ML模型和运动特征可以实现PD症状的客观量化.
• ML模型可以有效地区分PD患者的"ON"和"OFF"状态.
• 关键的运动特征,如步态RoM,与改善生活质量相关,并可作为PD的数字生物标志物.