[논문 리뷰] Characterization of the Handwriting Skills as a Biomarker for Parkinson Disease

Reinel Castrillón, Alejandro Acien외 7명|arXiv (Cornell University)|2019. 03. 19.

Parkinson's Disease Mechanisms and Treatments참고 문헌 15인용 수 6

한 줄 요약

이 연구는 파킨슨병(PD) 환자 55명과 건강한 대조군(청년 및 노인)으로부터 수집한 총 935건의 온라인 필기 작업 데이터를 포함하는 대규모이고 다양한 데이터베이스를 소개한다. 이는 PD의 생물학적 표지판으로서 필기의 잠재력을 평가하기 위한 것이다. 운동역학적, 비선형 역학적, 신경근육 기반 특징을 SVM, KNN, MLP 분류기와 함께 사용하여, PD 환자와 건강한 대조군을 구분하는 데 최대 97.2%의 정확도를 달성하였으며, 특히 청년 대조군과의 비교에서는 96.9%의 정확도를 기록하였다. 이는 필기 분석이 조기 진단 및 질환 경과 모니터링에 매우 유망한 도구가 될 수 있음을 시사한다.

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.

연구 동기 및 목표

• 파킨슨병(PD) 연구를 위한 포괄적이고 공개 가능한 온라인 필기 작업 데이터베이스를 구축하기 위해.
• 특히 운동역학적, 비선형 역학적, 신경근육 기반 특징을 포함한 필기 패tern의 분류 능력이 PD의 생물학적 표지판으로서의 잠재력을 평가하기 위해.
• 청년 및 노인 건강 대조군을 포함하여, 파킨슨병에 의한 운동 장애와 노화에 의한 정상적 노화의 운동 장애를 구분하기 위해.
• 다양한 기계학습 분류기의 성능을 평가하여, 필기 데이터를 활용한 PD 환자와 건강한 개인 간의 구분 능력을 분석하기 위해.
• 필기 분석의 잠재적 응용 가능성을 조기에 진단 및 장기적인 질환 경과 모니터링에 기여하기 위한 통찰을 제공하기 위해.

제안 방법

• 연령 및 교육 수준이 유사하도록 매칭된 55명의 파킨슨병(PD) 환자와 94명의 건강한 대조군(청년 45명, 노인 49명)으로부터 총 935건의 온라인 필기 작업을 수집하였다.
• 신경근육 기반 특징(중추신경계의 제어 기능 반영), 운동역학적 특징(이동 경로, 속도, 가속도), 비선형 역학적 특징(운동 출력의 혼돈적 행동 반영)의 세 가지 특징 세트를 추출하였다.
• 세 가지 분류기인 k-최근접 이웃(KNN), RBF 커널을 사용한 서포트 벡터 머신(SVM), 다층 퍼셉트론(MLP)을 활용하여 이진 분류를 수행하였다.
• 다양한 소스의 특징을 융합하는 후기 융합 전략을 적용하여, 상호 보완적인 정보를 통합함으로써 분류 능력을 향상시켰다.
• 수신기 작동 특성(ROC) 곡선과 AUC(곡선 아래 면적)를 사용하여 성능을 평가하였으며, 10겹 교차검증을 적용하였다.
• 데이터 유출을 방지하기 위해 학습 과정에서 원형 작업을 제외시켜 일반화 능력을 높였다.

실험 결과

연구 질문

• RQ1 온라인 필기 특징은 파킨슨병(PD) 진단을 위한 신뢰할 수 있는 생물학적 표지판이 될 수 있는가?
• RQ2 운동역학적, 비선형 역학적, 신경근육 기반 특징 중 어느 것이 PD 환자와 건강한 대조군을 구분하는 데 더 뛰어난 능력을 보이는가?
• RQ3 필기 분석을 통해 파킨슨병에 기인한 운동 기능 저하와 노화에 기인한 신경근육 기능 저하를 어느 정도까지 정확히 구분할 수 있는가?
• RQ4 어떤 필기 작업 조합과 특징 세트 조합이 PD 진단에서 가장 높은 분류 정확도를 달성하는가?
• RQ5 다중 특징 융합은 개별 특징 세트에 비해 PD 분류의 민감도와 특이도를 향상시키는가?

주요 결과

• 제안된 데이터베이스는 파킨슨병(PD) 연구 분야에서 공개된 온라인 필기 분석 데이터 중 가장 대규모로, 총 935건의 작업 데이터를 포함하고 있다.
• 모든 융합 특징을 사용한 RBF-SVM에서 가장 높은 분류 성능를 기록하였으며, 청년 건강 대조군과의 비교에서 97.2%의 정확도를 달성하였다.
• 노인 건강 대조군과의 비교에서는 81.7%의 정확도를 기록하였으며, 이는 파킨슨병과 노화에 기인한 운동 기능 저하를 구분하는 데 어려움이 있음을 시사한다.
• 운동역학적 특징가 가장 뛰어난 분류 능력을 보였으며, SVM를 사용한 청년 대조군과의 비교에서 96.9%의 정확도, 노인 대조군과의 비교에서는 81.9%의 정확도를 기록하였다.
• 운동역학적, 비선형 역학적, 신경근육 기반 특징의 모든 세트를 융합한 결과, 모든 분류기와 대조군 비교에서 개별 특징 세트보다 뛰어난 성능을 보였다.
• ROC 분석 결과, 모든 특징의 조합가 가장 높은 AUC를 기록하여 전반적인 분류 능력이 뛰어나며, 특히 청년 대조군과 PD 환자를 구분하는 데서 뛰어난 성능을 보였다.