[論文レビュー] Characterization of the Handwriting Skills as a Biomarker for Parkinson Disease

Reinel Castrillón, Alejandro Acien+7 more|arXiv (Cornell University)|Mar 19, 2019

Parkinson's Disease Mechanisms and Treatments参考文献 15被引用数 6

ひとこと要約

本研究では、55例のパーキンソン病（PD）患者および94名の健常対照者（若年および高齢）から得た935件のオンライン手書きタスクを含む、大規模で多様なデータベースを導入し、PDのバイオマーカーとしての手書きの有効性を評価した。運動学的、非線形ダイナミクス的、神経筋制御特徴を用い、SVM、KNN、MLP分類器を適用した結果、PDと健常者を区別する際の分類精度が最大97.2％に達し、PDと若年対照者を区別する際には96.9％の精度を示した。これにより、手書き分析がPDの早期診断および経過観察に強く有望であることが示された。

ABSTRACT

In this paper we evaluate the suitability of handwriting patterns as potential biomarkers to model Parkinson disease (PD). Although the study of PD is attracting the interest of many researchers around the world, databases to evaluate handwriting patterns are scarce and knowledge about patterns associated to PD is limited and biased to the existing datasets. This paper introduces a database with a total of 935 handwriting tasks collected from 55 PD patients and 94 healthy controls (45 young and 49 old). Three feature sets are extracted from the signals: neuromotor, kinematic, and nonlinear dynamic. Different classifiers are used to discriminate between PD and healthy subjects: support vector machines, knearest neighbors, and a multilayer perceptron. The proposed features and classifiers enable to detect PD with accuracies between 81% and 97%. Additionally, new insights are presented on the utility of the studied features for monitoring and detecting PD.

研究の動機と目的

• パーキンソン病（PD）研究を対象とした、包括的かつ公開可能なオンライン手書きタスクデータベースの構築。
• 運動学的、非線形ダイナミクス的、神経筋制御特徴といった手書きパターンの判別能を、PDのバイオマーカーとして評価すること。
• 若年および高齢の健常対照者を含めることで、PDに起因する運動障害と老化に起因する運動障害を区別すること。
• 手書きデータを用いて、複数の機械学習分類器がPD患者と健常者を区別する性能を評価すること。
• 手書き分析の有用性について、PDの早期発見および縦断的経過観察への応用に役立つ知見を提供すること。

提案手法

• 年齢および教育水準でマッチングされた55例のPD患者および94名の健常対照者（若年45名、高齢49名）から、合計935件のオンライン手書きタスクを収集した。
• 神経筋制御（中枢神経系の制御を反映）、運動学的（移動軌跡、速度、加速度）、非線形ダイナミクス（運動出力におけるカオス的挙動）の3つの特徴セットを抽出した。
• k近傍法（KNN）、RBFカーネルを用いたサポートベクターマシン（SVM）、多層パーセプトロン（MLP）を用いた2値分類に適用した。
• 複数の情報源からの特徴を統合することで、補完的な情報を組み合わせることで判別能を向上させるため、ラテナルフィュージョン戦略を採用した。
• 受信者操作特性（ROC）曲線と曲線下面積（AUC）を用い、10分割交差検証による性能評価を実施した。
• 訓練時に円のタスクを除外することで、データ漏洩を回避し、一般化性能の向上を図った。

実験結果

リサーチクエスチョン

• RQ1 オンライン手書き特徴は、パーキンソン病（PD）の検出に信頼できるバイオマーカーとして機能するか？
• RQ2 運動学的、非線形ダイナミクス的、神経筋制御特徴は、PD患者と健常対照者を区別する能力において、どのように比較されるか？
• RQ3 手書き分析は、PDに起因する運動機能低下と老化に起因する神経筋制御低下をどの程度正確に区別できるか？
• RQ4 どのタスクと特徴セットの組み合わせが、PD検出において最高の分類精度を達成するか？
• RQ5 マルチモーダル特徴統合は、個々の特徴セットに比べ、PD分類の感度と特異度を向上させることができるか？

主な発見

• 提案されたデータベースは、PD研究におけるオンライン手書き分析のための、公開可能な最大規模のデータセットであり、55例のPD患者および94名の健常対照者から得た935件のタスクを含む。
• RBF-SVMに全特徴を統合した場合が最も高い分類性能を示し、若年健常対照者と比較して97.2％の精度を達成した。
• PDと高齢健常対照者の間の分類精度は81.7％にとどまり、PDと老化に起因する運動障害を区別する課題が顕在した。
• 運動学的特徴が最も強い判別能を示し、SVMを用いた若年対照者との比較で96.9％、高齢対照者との比較で81.9％の精度を達成した。
• 運動学的、非線形ダイナミクス的、神経筋制御特徴の全特徴統合は、全分類器および全被験者比較において、個々の特徴セットを上回る性能を一貫して示した。
• ROC分析により、全特徴の組み合わせが最高のAUCを示し、特に若年対照者とPD患者の区別において優れた全体的な判別性能であることが確認された。