[論文レビュー] A Multi-layer Gaussian Process for Motor Symptom Estimation in People with Parkinson's Disease

M. Lang, Franz Pfister+8 more|arXiv (Cornell University)|Aug 31, 2018

Parkinson's Disease Mechanisms and Treatments参考文献 24被引用数 3

ひとこと要約

本論文では、日常の自由な活動中に手首に装着されたウェアラブル機器から得られるインertシャルセンサデータを用いて、パーキンソン病の運動症状（振動、非振動性の運動徐々、非振動性の異動動）の重症度を推定するマルチレイヤー・ガウス過程モデルを提案する。臨床的評価に基づくMDS-UPDRSのアノテーションを用いて訓練されたガウス過程モデルを階層的にスタックすることで、臨床的評価と高い一致を示す、実世界環境でも堅牢で客観的かつ連続的な症状モニタリングが実現された。

ABSTRACT

The assessment of Parkinson's disease (PD) poses a significant challenge as it is influenced by various factors which lead to a complex and fluctuating symptom manifestation. Thus, a frequent and objective PD assessment is highly valuable for effective health management of people with Parkinson's disease (PwP). Here, we propose a method for monitoring PwP by stochastically modeling the relationships between their wrist movements during unscripted daily activities and corresponding annotations about clinical displays of movement abnormalities. We approach the estimation of PD motor signs by independently modeling and hierarchically stacking Gaussian process models for three classes of commonly observed movement abnormalities in PwP including tremor, (non-tremulous) bradykinesia, and (non-tremulous) dyskinesia. We use clinically adopted severity measures as annotations for training the models, thus allowing our multi-layer Gaussian process prediction models to estimate not only their presence but also their severities. The experimental validation of our approach demonstrates strong agreement of the model predictions with these PD annotations. Our results show the proposed method produces promising results in objective monitoring of movement abnormalities of PD in the presence of arbitrary and unknown voluntary motions, and makes an important step towards continuous monitoring of PD in the home environment.

研究の動機と目的

• 自由な日常環境におけるパーキンソン病の運動症状の連続的・客観的モニタリングを可能にすること。
• 自由な生活環境下で、PD関連の運動異常と任意の随意運動を区別する課題に対処すること。
• 存在の有無だけでなく、震え、運動徐々、異動動の重症度を、臨床的重症度スコアを教師として推定すること。
• 異なるPD症状クラスの特徴を捉える階層的モデリングフレームワークの構築。
• ウェアラブルセンサデータと臨床医によるアノテート済み重症度スコアを用いて、実世界環境での手法の信頼性を検証すること。

提案手法

• 本手法は、パーキンソン病の3つの症状クラス（震え、非振動性の運動徐々、非振動性の異動動）のそれぞれを別々にモデル化するマルチレイヤー・ガウス過程（GP）アーキテクチャを採用する。
• 各GPモデルは、時間領域および時間周波数領域の特徴量（スペクトログラムやウェーブレット係数など）を含む、手首に装着されたインertシャルセンサデータから抽出された入力特徴量を用いて訓練される。
• 各モデルはMDS-UPDRSの臨床的重症度スコアをスカラー出力として用い、0〜4のスケールでの症状重症度の回帰を可能にする。
• 階層的なスタッキングにより、症状固有のダイナミクスを独立してモデル化しつつ、未知の随意運動に対して解釈可能性と耐性を保つ。
• 各GPには平方指数カーネルが使用され、非線形なセンサ入力から重症度へのマッピングを捉えるために、尤度の最大化によるハイパーパrameter最適化が行われる。
• 各症状の最終予測はガウス分布として得られ、重症度推定値に加えて信頼区間も提供される。

実験結果

リサーチクエスチョン

• RQ1 マルチレイヤー・ガウス過程モデルは、自由な腕の動きデータから、パーキンソン病の複数の運動症状の重症度を正確に推定できるか？
• RQ2 自由な生活環境下で、本モデルはPD関連の運動異常と任意の随意運動をどの程度明確に区別できるか？
• RQ3 階層的GP構造は、単一モデルアプローチと比較して、異なる症状クラスの推定をどの程度向上させるか？
• RQ4 特定のタスクを実施する指示がなく、制御された活動が行われない状況下でも、本モデルは臨床的アノテーションと高い一致を示せるか？
• RQ5 時間周波数領域の特徴量を組み込むことで、微細なまたは非振動性の運動症状の検出能力が向上するか？

主な発見

• 提案されたマルチレイヤーGPモデルは、予測された症状重症度と臨床医によるアノテート済みMDS-UPDRSスコアとの間に強く一致し、実世界環境下での高い信頼性を示した。
• 患者が特定のタスクを実施する必要なく、震え、非振動性の運動徐々、非振動性の異動動の重症度を効果的に推定できた。
• 時間周波数領域の特徴量の使用は、非振動性運動異常の検出を顕著に向上させ、時間領域特徴量のみでは捉えにくい症状の検出に寄与した。
• 階層的構造により、未知の任意の随意運動が存在する状況下でも、高い推定精度を維持するという、強固な推定が可能になった。
• モデルの予測信頼区間は良好にキャリブレーションされており、臨床意思決定支援のための信頼できる不確実性推定が得られた。
• 結果から、本手法はパーキンソン病の進行状況を継続的・客観的かつ自宅でモニタリングするための実用的かつ有効なステップであると考えられる。