通过使用fNIRS和IMU数据的多式脑体生物标志物的早期帕金森病检测

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 是一种神经退行性疾病,影响运动和认知功能.
• 由于细微的症状,早期发现PD具有挑战性.

研究的目的:

• 开发和验证用于早期检测帕金森病的多模式机器学习框架.
• 为了整合功能近红外光谱 (fNIRS) 和惯性测量单元 (IMU) 数据.

主要方法:

• 在双重任务移动性测试 (TUG,CDTUG,MDTUG) 中收集了62名参与者 (28名PD,34名对照) 的fNIRS和IMU数据.
• 在单模和多模数据集中应用了四种机器学习模型,并使用了两种特征选择技术.
• 评估了不同数据整合策略的分类性能.

主要成果:

• 多式联网方法实现了96%的分类准确度,超过了仅使用fNIRS (87%) 和仅使用IMU (95%) 的模型.
• 确定了关键的脑体生物标志物,包括前额叶皮层激活和特定的运动任务持续时间.
• 证明了将大脑和运动数据用于PD检测的有效性.

结论:

• 多模式数据集成显著提高了早期帕金森病检测准确度.
• 开发的框架显示了在PD中非侵入性,人工智能驱动的生物标志物发现的前景.
• 在双重任务条件下的功能性移动性测试对于捕捉PD相关变化非常有价值.