[논문 리뷰] Sensoring and Application of Multimodal Data for the Detection of Freezing of Gait in Parkinson's Disease

Wei Zhang, Debin Huang외 8명|arXiv (Cornell University)|2021. 10. 09.

Muscle activation and electromyography studies참고 문헌 13인용 수 5

한 줄 요약

이 연구는 파킨슨병 환자의 걸음마 멈춤(FOG)을 탐지하기 위해 가속도계(ACC), 뇌전도도(EEG), 근전도(EMG), 피부도기성(SC)를 활용한 다중모달 센서 융합 기법을 제안한다. 12명의 환자를 대상으로 한 프로토콜에서 EEG는 ACC 및 EMG보다 뛰어난 분류 능력을 보였으며, 다중모달 데이터 융합은 FOG 탐지 정확도를 크게 향상시켜 생리학적 전이 분석과 개인 맞춤형 간병 전략 수립을 가능하게 하였다.

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.

연구 동기 및 목표

• 파킨슨병에서 FOG 발작 동안 다중모달 생리적 및 신체적 신호를 캡처하기 위한 종합적인 센서 프로토콜을 개발하기 위해.
• 단일모달 신호(ACC, EEG, EMG, SC)의 개별적인 FOG 탐지 성능을 평가하기 위해.
• 다양한 모달리티를 융합함으로써 단일모달 접근법 대비 FOG 탐지 정확도가 향상되는지 조사하기 위해.
• 다중모달 데이터를 활용해 FOG 발병 초기의 생리학적 전이 과정을 분석하여 개인 맞춤형 간병 전략 수립 가능성을 탐색하기 위해.
• 미래 연구의 재현성과 벤치마킹을 위해 공개된 원본 및 필터링된 데이터를 제공하기 위해.

제안 방법

• FOG 유도 작업 중에 동시에 ACC, EEG, EMG, SC 신호를 측정하기 위해 상용 및 자체 제작 센서를 조합한 다중모달 센서 시스템을 설계하였다.
• FOG 발작을 유도하기 위해 보행 중 발걸음 시작 실패와 보행 중 FOG를 유발하는 두 가지 실험 작업을 구현하였다.
• 12명의 파킨슨병 환자로부터 총 3시간 42분의 유효 기록 시간 동안 데이터를 수집하였다.
• 임상적 정확성과 기준 진단의 신뢰성을 확보하기 위해 두 명의 자격을 갖춘 의사가 FOG 발작을 레이블링 하였다.
• 신호 처리 및 분류 기법을 활용해 단일모달 및 다중모달 신호 조합을 처리하고 평가하여 FOG를 탐지하였다.
• 연구는 Mendeley Data에 게재된 데이터를 활용하였으며, 원본 및 필터링된 데이터셋을 연구 재사용을 위해 공개하였다.

실험 결과

연구 질문

• RQ1 파킨슨병에서 FOG를 탐지하는 데 있어 개별 단일모달 신호(ACC, EEG, EMG, SC)의 성능는 어떻게 비교되는가?
• RQ2 다중모달 데이터 융합이 단일모달 접근법 대비 FOG 탐지 성능 향상에 얼마나 기여하는가?
• RQ3 다중모달 생리적 신호는 FOG 발작 이전 또는 동안의 생리학적 전이 과정을 드러낼 수 있는가?
• RQ4 EEG 수거의 복잡성에도 불구하고, 임상적 및 기술적으로 EEG는 FOG 탐지에 얼마나 실현 가능한가?
• RQ5 다중모달 데이터는 어떻게 개인 맞춤형 실시간 FOG 간병 전략 개발을 지원할 수 있는가?

주요 결과

• EEG는 ACC 및 EMG보다 FOG 탐지에 있어 가장 높은 분류 능력을 보였으며, 단일모달 신호 중에서 가장 뛰어난 성능를 보였다.
• 다중모달 데이터 융합은 단일 모달리티만을 사용한 경우보다 FOG 탐지 성능을 뚜렷이 향상시켰다.
• 운동 신호와 전기생리학적 신호의 조합을 통해 FOG 발병 초기의 생리학적 전이 과정 분석이 가능해졌으며, 이는 정지 상태 이전의 생리적 상태에 대한 통찰을 제공하였다.
• 연구는 12명의 파킨슨병 환자로부터 고품질의 다중모달 데이터 총 3시간 42분을 성공적으로 수집하고 레이블링 하였다.
• 원본 및 필터링된 데이터셋이 Mendeley Data에 공개되어 향후 연구의 재현성과 벤치마킹을 위한 기초 자료로 활용되고 있다.
• 복잡한 수거 과정에도 불구하고, EEG 수거는 전통적인 운동 기반 센서와 보완되는 가치 있는 뇌전기생리학적 정보를 제공하였다.