通过手写分析评估神经退行性疾病的可解释特征

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:

• 运动功能障碍是神经退行性疾病 (NDs) 的标志,包括阿尔茨海默病 (AD) 和帕金森病 (PD).
• 早期发现这些运动缺陷是具有挑战性的,阻碍了及时干预.
• 手写分析提供了一种潜在的非侵入性方法来评估运动控制.

研究的目的:

• 评估可解读的手写特征在特征NDs的有效性.
• 使用基于平板电脑的手写任务来区分AD,PD和健康对照 (CTL).
• 为了识别具有高分辨能力的特定手写特征.

主要方法:

• 在一个数字平板电脑上收集了113名受试者 (AD,PD,CTL) 在14项任务中的手写信号.
• 提取任务不可知和任务特定的可解释特征 (例如,稳定性,速度,非写作时间,压力).
• 使用机器学习算法进行统计分析和二进制分类实验.

主要成果:

• 所有14个任务都有效地区分了ND和CTL.
• 在写作稳定性,速度,非写作时间和压力变化方面观察到有统计学意义的差异.
• 在区分AD与CTL方面达到高达87%的准确性,在区分PD与CTL方面达到69%的准确性.

结论:

• 从数字平板电脑任务中提取的可解读的手写特征对于表征神经退行性疾病非常有价值.
• 手写分析为早期和客观检测AD和PD运动障碍提供了一个有希望的工具.
• 与电机控制稳定性和执行相关的特定特征显示出显著的诊断潜力.