在神经退行性疾病中对步态信号复杂性的非线性评估

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 信号处理 信号处理

背景情况:

• 神经退行性疾病 (NDD),如帕金森病,亨廷顿病和ALS显著改变人类的步态动态.
• 准确量化步态变化对于早期NDD检测至关重要.
• 传统的样本 (SampEn) 对生理信号的分析受限于用户定义的参数,影响准确性.

研究的目的:

• 评估SampEn基于分析的二次特征对传统SampEn用于神经状态识别的有效性.
• 为了确定减小参数度的测量是否可以改善健康和NDD队列之间的区别.

主要方法:

• 使用SampEn分析,这是一个数据驱动的方法,可以生成全面的复杂性概况,而不需要预定义的容忍参数 (r).
• 从SampleEn资料中提取了二次特征,特别是总样本 (TSE) 和中位样本 (MSE).
• 将TSE和MSE的诊断性能与传统参数SampEn进行比较,以区分对照组与NDD队列.

主要成果:

• 样本基于个人资料的次要特征 (TSE和MSE) 在区分对照组和NDD组方面表现出卓越的表现.
• 这些新的度测量结果显示,在识别神经状态方面,与传统的SampEn相比,持续改善.
• 缩小参数的SampEn分析方法提供了更可靠的评估步态复杂性的NDD变化.

结论:

• 从SampEn分析中获得的二次特征,如TSE和MSE,在NDD检测中比传统的SampEn更有效.
• 这种先进的分析为客观评估神经退行性疾病中步态变化的数据驱动方法提供了一个有希望的方法.
• 这些发现支持SampEn分析的潜力,作为开发准确的NDD诊断方法的宝贵工具.