基于机器学习的帕金森病症状评估使用可穿戴和智能手机传感器

科学领域:

• 生物医学工程
• 计算神经科学
• 数字健康

背景情况:

• 帕金森病 (PD) 的管理需要准确的症状严重程度评估.
• 可穿戴设备和智能手机传感器提供持续,客观的数据收集潜力.
• 目前的PD监测方法可能是主观的和不常见的.

研究的目的:

• 开发和评估用于预测帕金森病症状严重性的机器学习模型.
• 评估可穿戴传感器 (MYO) 和智能手机数据的实用性.
• 将临床医生评估与患者自我评估的有效性进行比较.

主要方法:

• 使用机器学习算法分析可穿戴设备和智能手机的传感器数据.
• 模拟了个体症状的严重程度 (震,勃拉迪基尼西亚,硬度,运动障碍) 和患者的整体状况.
• 使用临床医生评分和患者自我报告数据作为基础真相标签.
• 研究了多式传感器数据对预测准确性的结合影响.

主要成果:

• 通过整合MYO腕带和智能手机传感器的数据来实现最佳模型性能.
• 与临床医生的评估相比,使用患者的自我评估作为目标标签导致了更高的模型性能.
• 震是最准确的预测症状.
• 其他症状的预测准确性,特别是在更高的严重程度,由于数据集的不平衡和不足.

结论:

• 多模式传感器数据融合显著提高了帕金森病症状预测的准确性.
• 患者的自我评估是PD监测中机器学习模型的有价值的目标.
• 进一步的研究需要更大,更平衡的数据集,以改善所有症状严重程度和类型的预测.