用于估计帕金森氏症症状的可穿戴式算法,在使用惯性传感器的持续家庭监控环境中进行评估

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) 的运动症状,包括震和勃拉迪基尼西亚,需要持续监测才能有效管理.
• 现有的监控方法经常与背景噪音和现实环境的复杂性作斗争.
• 开发用于解释可穿戴传感器数据的AI驱动系统对于改善PD患者护理至关重要.

研究的目的:

• 评估在自由生活环境中使用可穿戴传感器检测帕金森病运动症状的可行性.
• 评估传感器数据的可解释性,以便在家庭环境中以人工智能为驱动的决策.
• 为了比较机器学习模型在受控和无监督环境中的性能.

主要方法:

• 机器学习模型在实验室环境中进行脚本活动时,通过可穿戴传感器的数据进行训练.
• 模型的性能与临床医生对震,勃拉迪基尼西亚和动力障碍的评级进行了验证.
• 同样的模型在参与者家中无监督活动的数据上进行了测试,并与患者日记进行了比较.

主要成果:

• 在实验室环境中,模型实现了高平衡精度:83%的震,75%的布拉迪基尼西亚,81%的功能障碍与临床医生的评级相比.
• 在无监督的家庭环境中,表现下降,对震的准确率为63%,对勃拉迪基尼西亚的准确率为63%,对自我评估日记的功能障碍的准确率为67%.
• 脚佩戴的传感器显示,对于动力障碍的检测有好处,但对于震或勃拉迪基尼西亚没有好处.

结论:

• 虽然在受控环境中很有希望,但当前基于可穿戴传感器的AI模型在在家中进行无脚本日常活动时准确检测PD运动症状方面存在局限性.
• 需要进一步的研究来提高模型的稳定性和可解释性,以便可靠的长期家庭监测帕金森病.
• 传感器放置和数据解释策略需要优化,以便在帕金森病管理中实际应用.