[論文レビュー] Sensoring and Application of Multimodal Data for the Detection of Freezing of Gait in Parkinson's Disease

Wei Zhang, Debin Huang+8 more|arXiv (Cornell University)|Oct 9, 2021

Muscle activation and electromyography studies参考文献 13被引用数 5

ひとこと要約

本研究では、パーキンソン病における歩行凍結（FOG）を検出するために、加速度計（ACC）、脳波（EEG）、筋電図（EMG）、皮膚電導（SC）を用いたマルチモーダルセンサーフュージョン手法を提案する。12名の被験者を対象としたプロトコルにおいて、EEGがACCおよびEMGを上回る優れた判別能力を示し、マルチモーダルデータの統合によりFOG検出の正確性が顕著に向上した。これにより、生理的遷移の分析と個別化された干渉戦略の立案が可能になった。

ABSTRACT

The accurate and reliable detection or prediction of freezing of gaits (FOG) is important for fall prevention in Parkinson's Disease (PD) and studying the physiological transitions during the occurrence of FOG. Integrating both commercial and self-designed sensors, a protocal has been designed to acquire multimodal physical and physiological information during FOG, including gait acceleration (ACC), electroencephalogram (EEG), electromyogram (EMG), and skin conductance (SC). Two tasks were designed to trigger FOG, including gait initiation failure and FOG during walking. A total number of 12 PD patients completed the experiments and produced a total length of 3 hours and 42 minutes of valid data. The FOG episodes were labeled by two qualified physicians. Each unimodal data and combinations have been used to detect FOG. Results showed that multimodal data benefit the detection of FOG. Among unimodal data, EEG had better discriminative ability than ACC and EMG. However, the acquisition of EEG are more complicated. Multimodal motional and electrophysiological data can also be used to study the physiological transition process during the occurrence of FOG and provide personalised interventions.

研究の動機と目的

• パーキンソン病におけるFOG発作中に、マルチモーダルな生理的および身体的信号を包括的に捉えるためのセンサープロトコルの開発。
• 単一モダリティ信号（ACC、EEG、EMG、SC）がFOGを検出する能力を評価すること。
• 複数のモダリティを統合することで、単一モダリティ手法に比べてFOG検出正確性が向上するかどうかを調査すること。
• マルチモーダルデータを用いて、FOG発作に伴う生理的遷移を分析し、個別化された干渉戦略の可能性を検討すること。
• 今後の研究の再現性とベンチマーク化を支援するため、公開可能な生データおよびフィルタリング済みデータを提供すること。

提案手法

• FOG誘発タスク中にACC、EEG、EMG、SC信号を同時に収集できるように、商用および自作センサーを組み合わせたマルチモーダルセンサーシステムを設計した。
• 2つの実験的タスクを実施した：歩行開始不能と歩行中のFOG発作を誘発するためのもの。
• 12名のパーキンソン病患者から、合計3時間42分の有効な記録時間を得た。
• 臨床的正確性とグランドトゥルースの信頼性を確保するため、2名の資格を有する医師がFOG発作をラベル付けした。
• 信号処理および分類技術を用いて、単一モダリティおよびマルチモーダル信号の組み合わせを処理・評価し、FOGを検出する。
• 本研究ではMendeley Dataに公開されたデータを活用し、研究再利用を可能にするために、生データおよびフィルタリング済みデータの両方を公開した。

実験結果

リサーチクエスチョン

• RQ1 単一モダリティ信号（ACC、EEG、EMG、SC）は、パーキンソン病における歩行凍結（FOG）検出において、どのように比較されるか？
• RQ2 マルチモーダルデータを統合することで、単一モダリティ手法に比べてどの程度FOG検出性能が向上するか？
• RQ3 マルチモーダルな生理的信号は、FOG発作の前後における潜在的な生理的遷移プロセスを明らかにできるか？
• RQ4 EEGの収集が複雑であるにもかかわらず、臨床的・技術的にFOG検出に使用可能であるか？
• RQ5 マルチモーダルデータは、個別化されたリアルタイムFOG干渉戦略の開発をどのように支援できるか？

主な発見

• EEGは、ACCおよびEMGを上回り、単一モダリティ信号の中で最も優れた判別能力を示した。
• マルチモーダルデータ統合により、単一モダリティに比べてFOG検出性能が顕著に向上した。
• 運動的および電気生理的信号の組み合わせにより、FOG発作に伴う生理的遷移の分析が可能になり、凍結前の状態に関する洞察が得られた。
• 本研究では、12名のPD患者から、高品質なマルチモーダルデータを合計3時間42分分収集・ラベル付けした。
• 生データおよびフィルタリング済みデータの両方がMendeley Dataに公開され、今後のFOG検出研究における再現性とベンチマーク化を支援した。
• 収集が複雑であるにもかかわらず、EEG収集は、従来の運動ベースのセンサーとは相補的な貴重な神経生理的情報を提供した。