帕金森病严重程度聚类基于移动设备的步行活动

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) 通过步行障碍显著影响运动能力.
• 对PD严重程度的客观评估对于有效的临床管理至关重要.
• 目前的方法在监测疾病进展时可能缺乏精度.

研究的目的:

• 调查智能手机衍生的步态数据对客观帕金森病严重程度集群的有用性.
• 应用无监督的机器学习技术来精确监测疾病.
• 为了识别与不同程度的PD严重程度相关的步态模式.

主要方法:

• 来自mPower数据集的加速度计数据的分析 (n=1957).
• 步骤循环细分,序列填充,k-means集群与动态时间扭曲 (DTW) 和t-SNE可视化.
• 已识别的步态集群与MDS-UPDRS评分 (第I部分和第II部分) 的相关性,用于严重性评估.

主要成果:

• 确定了四个不同的步态集群,与PD严重程度有显著的相关性.
• 最严重的群体在平衡/行走问题和结发作方面得分明显更高.
• t-SNE可视化证实了集群的明显分离,严重程度更高的集中在一个组中.

结论:

• 通过无监督学习分析的智能手机步行数据有效地分层了帕金森病的严重程度.
• 与平衡和结相关的步行特征是PD进展的关键生物标志物.
• 这种方法为使用可穿戴技术进行PD评估提供了客观,可扩展的工具.