用语法进化构建人工特征,用于帕金森病的运动症状

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 数字健康数字健康

背景情况:

• 帕金森病 (PD) 患者表现出影响日常生活的昼间运动波动.
• 客观的定量运动评估对于个性化的PD治疗和疾病进展跟踪至关重要.
• 目前的方法可能缺乏细粒度,以捕捉微妙的,与药物反应相关的运动变化.

研究的目的:

• 开发和验证一种用于帕金森病定量运动评估的新方法.
• 为了利用定制SmartGlove的惯性传感器数据进行客观的电机评估.
• 为了确定可靠的数字生物标志物来监测PD运动症状和药物效应.

主要方法:

• 使用定制的带惯性传感器的SmartGlove收集PD患者的运动任务数据.
• 实施了多方法特征选择方案,结合了统计显著性,模型重要性和变异性.
• 使用语法进化 (GE) 来从选定的数据中生成更高级别的人工特征.
• 验证了在标准化手动运动任务中服用药物前后患者记录的框架.

主要成果:

• 与基线模型相比,基于GE的特征工程显著减少了10-19%的分类错误.
• 拟议的方法在分类机动状态时实现了80-88%的预测和召回率.
• 确定非线性和复合特征作为帕金森病监测的有希望的数字生物标志物.

结论:

• 开发的框架为帕金森病的运动行为提供了一个紧而可解释的表征.
• 这种使用GE增强功能的定量评估方法比传统的机器学习模型性能更好.
• 这些发现支持这种方法在PD管理中具有客观,持续的监测和个性化治疗调整的潜力.