[論文レビュー] Characterizing and Detecting Freezing of Gait using Multi-modal Physiological Signals

Ying Wang, Floris Beuving+5 more|arXiv (Cornell University)|Sep 26, 2020

Muscle activation and electromyography studies参考文献 37被引用数 5

ひとこと要約

本研究では、パーキンソン病患者における歩行凍結（FOG）を、回転中の眼の安定化速度と下肢の振動を特徴量として用いる、マルチモーダルな生理的信号に基づく検出手法を提案する。交差検証法（1人ずつ除外法）を用いた結果、感度97%、特異度96%、精度再現率曲線下積分（AUPRC）が0.94を達成し、単一モーダル手法を上回る性能を示した。

ABSTRACT

Freezing-of-gait a mysterious symptom of Parkinsons disease and defined as a sudden loss of ability to move forward. Common treatments of freezing episodes are currently of moderate efficacy and can likely be improved through a reliable freezing evaluation. Basic-science studies about the characterization of freezing episodes and a 24/7 evidence-support freezing detection system can contribute to the reliability of the evaluation in daily life. In this study, we analyzed multi-modal features from brain, eye, heart, motion, and gait activity from 15 participants with idiopathic Parkinsons disease and 551 freezing episodes induced by turning in place. Statistical analysis was first applied on 248 of the 551 to determine which multi-modal features were associated with freezing episodes. Features significantly associated with freezing episodes were ranked and used for the freezing detection. We found that eye-stabilization speed during turning and lower-body trembling measure significantly associated with freezing episodes and used for freezing detection. Using a leave-one-subject-out cross-validation, we obtained a sensitivity of 97%+/-3%, a specificity of 96%+/-7%, a precision of 73%+/-21%, a Matthews correlation coefficient of 0.82+/-0.15, and an area under the Precision-Recall curve of 0.94+/-0.05. According to the Precision-Recall curves, the proposed freezing detection method using the multi-modal features performed better than using single-modal features.

研究の動機と目的

• パーキンソン病患者における歩行凍結（FOG）に関連する生理的マーカーを特定すること。
• 脳、目、心臓、運動、歩行活動の信号を統合することで、連続的モニタリングに適した信頼性の高いリアルタイムFOG検出システムを開発すること。
• 現在のFOG検出手法を改善するため、脳、目、心臓、運動、歩行活動の信号を統合すること。
• マルチモーダル特徴量と単一モーダル手法の代替手法を比較して、FOG検出性能を評価すること。

提案手法

• 15名のパーキンソン病患者から、眼動揺、下肢運動、心拍数、歩行活動のマルチモーダルな生理的信号を収集した。
• 回転動作を繰り返すタスクを実施し、551件のFOG発作を誘発することで、制御された分析を可能にした。
• 248件の発作について統計解析を実施し、FOGと顕著に関連する特徴量を同定した。
• 回転中の眼の安定化速度と下肢の振動を、識別に有効な特徴量として選定した。
• 検出性能の評価に、1人ずつ除外法の交差検証を適用した。
• 精度、再現率、F1スコア、マシューフェアコefficient、および精度再現率曲線下積分（AUPRC）を用いて検出性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 パーキンソン病患者における歩行凍結発作と顕著に関連するマルチモーダルな生理的特徴量は何か？
• RQ2 回転中の眼の安定化速度は、FOG検出の信頼性の高いバイオマーカーとして機能するか？
• RQ3 マルチモーダル特徴量の統合性能は、単一モーダル検出と比較してどのように異なるか？
• RQ4 1人ずつ除外法の交差検証フレームワーク下で、提案された検出システムの感度と特異度は何か？

主な発見

• 回転中の眼の安定化速度と下肢の振動は、歩行凍結発作と顕著に関連していた。
• マルチモーダル検出システムは、感度97% ± 3%、特異度96% ± 7%を達成した。
• 精度は73% ± 21%であったが、高い感度を維持した状態で中程度の陽性予測値を示した。
• マシューフェアコefficientは0.82 ± 0.15であり、優れた分類性能を示した。
• 精度再現率曲線下積分（AUPRC）は0.94 ± 0.05であり、単一モーダル手法と比較して優れた性能を示した。
• 提案手法は、単一モーダル特徴量セットを上回るFOG検出性能を示し、マルチモーダル統合の価値を確認した。