在帕金森病中使用监督机器学习和可穿戴传感器进行持续和不受约束的震动监测

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 准确评估帕金森病 (PD) 运动症状对于有效管理至关重要.
• 可穿戴传感器为持续,客观的症状监测提供了一个有希望的途径,克服了临床评估和自我报告的局限性.
• 在不受限制的现实活动中评估症状仍然是当前可穿戴技术面临的重大挑战.

研究的目的:

• 开发和实施一个监督的机器学习算法,用于对帕金森病患者的客观震评估.
• 通过使用来自现实世界数据集的传感器数据和临床震得分来评估算法的性能.
• 为了能够在自由生活环境中持续,可靠地监测帕金森病的症状.

主要方法:

• 一个受监督的机器学习算法,特别是支持矢量机器,被开发来预测震的严重程度.
• 该算法在67小时的数据集上进行了训练和测试,其中包含来自24名帕金森病患者的传感器数据和临床震得分.
• 应用了数据集再平衡技术来解决震分数的内在失衡问题,其中25%的数据用于测试.

主要成果:

• 开发的分类器在检测震事件方面表现强,在测试数据集上达到0.90的灵敏度.
• 震严重程度预测的整体分类准确度很高,达到0.88.8.
• 该算法证明即使在适度大小和不平衡的数据集中也有效.

结论:

• 一个准确的机器学习分类器用于自由生活环境中的震动监测已经成功实施.
• 这项技术具有重要的临床价值,用于在临床环境之外持续客观地监测帕金森病症状.
• 这一进步促进了个性化的PD管理,及时的治疗调整,最终改善了患者的生活质量.