[논문 리뷰] Characterizing and Detecting Freezing of Gait using Multi-modal Physiological Signals

Ying Wang, Floris Beuving외 5명|arXiv (Cornell University)|2020. 09. 26.

Muscle activation and electromyography studies참고 문헌 37인용 수 5

한 줄 요약

이 연구는 파킨슨병 환자에서 이동 중 방향 전환 시 눈 안정화 속도와 하체 진동을 핵심 특징으로 삼아 다중 모odal 생리 신호 기반으로 걸음 멈춤(Freezing of Gait, FOG)을 탐지하는 방법을 제안한다. 이중 한 명의 환자를 제외한 교차 검증을 통해, 감도 97%, 특이도 96%, 정밀도-재현율 곡선 아래 면적(AUPRC) 0.94를 기록하여 단일 모odal 방법보다 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 파킨슨병 환자에서 걸음 멈춤(Freezing of Gait, FOG)과 관련된 생리적 지표를 규명하는 것.
• 지속적인 모니터링을 위해 다중 모adal 생리 신호를 활용한 신뢰성 있고 실시간 FOG 탐지 시스템을 개발하는 것.
• 뇌, 눈, 심장, 운동 및 걸음 활동 신호를 통합하여 기존 FOG 탐지 방법을 향상시키는 것.
• 다중 모달 특징와 단일 모달 대안 간의 FOG 탐지 성능을 평가하는 것.

제안 방법

• 15명의 파킨슨병 환자로부터 눈 움직임, 하체 운동, 심박수, 걸음 활동 등의 다중 모달 생리 신호를 촬영하였다.
• 통제된 분석을 위해 551건의 FOG 발현을 회전 운동을 통해 유도하였다.
• FOG와 유의미하게 관련된 특징를 규명하기 위해 248건의 발현에 대해 통계 분석을 수행하였다.
• 방향 전환 중 눈 안정화 속도와 하체 진동을 분류 특징으로 선정하였다.
• 탐지 성능 평가를 위해 이중 한 명의 환자를 제외한 교차 검증을 적용하였다.
• 정밀도, 재현율, F1 점수, 매튜스 상관계수, 정밀도-재현율 곡선 아래 면적(AUPRC)을 사용하여 탐지 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 파킨슨병 환자에서 걸음 멈춤(Freezing of Gait) 발현과 유의미하게 관련된 다중 모달 생리 특징는 무엇인가?
• RQ2 방향 전환 중 눈 안정화 속도는 FOG 탐지에 신뢰할 수 있는 생물학적 지표가 될 수 있는가?
• RQ3 다중 모달 특징 융합의 성능은 단일 모달 탐지와 비교해 어떻게 다른가?
• RQ4 이중 한 명의 환자를 제외한 교차 검증 프레임워크에서 제안된 탐지 시스템의 감도와 특이도는 얼마인가?

주요 결과

• 방향 전환 중 눈 안정화 속도와 하체 진동은 걸음 멈춤 발현과 유의미하게 관련되어 있었다.
• 다중 모달 탐지 시스템은 감도 97% ± 3%와 특이도 96% ± 7%를 기록하였다.
• 정밀도는 73% ± 21%였으며, 높은 감도를 유지하면서도 중간 정도의 양성 예측값을 나타내었다.
• 매튜스 상관계수는 0.82 ± 0.15로 강한 종합 분류 성능를 나타내었다.
• 정밀도-재현율 곡선 아래 면적은 0.94 ± 0.05였으며, 단일 모달 방법보다 뛰어난 성능을 보였다.
• 제안된 방법은 FOG 탐지에서 단일 모달 특징 세트를 능가하여 다중 모달 융합의 가치를 확인하였다.