基于步态的帕金森病诊断和严重程度分类使用力传感器和机器学习

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.
• 医疗信息学 医疗信息学

背景情况:

• 帕金森病 (PD) 是一种进展性神经退行性疾病,影响运动功能.
• 早期检测和监测PD进展是具有挑战性的,因为微妙的移动性变化和传统方法的局限性.
• 使用力传感器的步态分析为客观评估运动缺陷提供了一个有希望的途径.

研究的目的:

• 提出一种新的双阶段机器学习模型,用于对帕金森病 (PD) 进行分类和评估其严重程度.
• 利用来自力传感器的步态信号分析来提高诊断准确度.
• 改善早期检测和监测PD进展.

主要方法:

• 一个双阶段模型,使用超调随机森林树 (RFT) 进行PD分类,并使用集团回归器 (ER) 进行严重性预测.
• 利用了来自166名参与者的垂直地面反应力 (VGRF) 传感器数据 (93名PD,73名对照).
• 应用数据平衡 (SMOTE),特征提取 (时间,频率,空间,时间领域) 和递归特征消除 (RFE) 以实现最佳特征选择.

主要成果:

• 在区分PD与非PD参与者方面,RFT分类器实现了97.5%的准确性,97%的灵敏性和95%的特异性.
• 该ER回归器预测疾病严重程度的准确率为96.4%,平均绝对误差为0.065,平方误差为0.080.
• 与现有方法相比,拟议的模型表现出优越的性能.

结论:

• 双阶段模型对于早期检测和帕金森病的严重程度评估非常有效.
• 步态分析与先进的机器学习相结合,为PD管理提供了强大而准确的方法.
• 这些发现表明,在改善患者治疗结果方面,临床应用具有显著的潜力.