从短期运动任务对帕金森病状态进行分类的多规模和多层次特征评估框架

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:

• 帕金森病 (PD) 量化研究越来越多地使用可穿戴技术和机器学习.
• 这些技术的实际应用受到环境因素和缺乏实际评估工具的限制.

研究的目的:

• 提出一个有效的特征评估框架,自动对PD运动症状严重程度进行评分和分类.
• 通过使用短期运动任务,使不同帕金森病严重程度的现实世界分类成为可能.

主要方法:

• 开发了一个新的特征评估框架,以在细分和样本水平上识别特定的PD运动症状.
• 用SHapley添加式扩展 (SHAP) 值进行特征选择,并通过多种机器学习方法进行验证.
• 该框架在100名帕金森病患者的现实数据上得到了验证,这些患者执行了短时间的运动任务 (20-50秒).

主要成果:

• 该框架在识别运动波动方面实现了88%的灵敏度,特别是在震动检测方面.
• 使用31个选定的特征,LightGBM在早期PD检测 (92.59%) 和细粒度严重性分类 (71.58%) 中表现出高准确度.

结论:

• 本研究提出了第一个评估多层次,多尺度特征的方法,用于自动量化PD运动症状和严重程度.
• 拟议的框架有效地在短期任务中评估关键帕金森病信息,为自由生活环境中的自我评估提供见解.