[논문 리뷰] Wearable-based Mediation State Detection in Individuals with Parkinson's Disease

Murtadha D. Hssayeni, Michelle A. Burack외 5명|arXiv (Cornell University)|2018. 09. 19.

Parkinson's Disease Mechanisms and Treatments참고 문헌 24인용 수 3

한 줄 요약

이 연구는 파킨슨병(PD) 환자에서 약물 투여 상태(ON/OFF)를 감지하기 위해 손목과 발목에 두 개의 삼축 자이로스코프를 장착한 웨어러블 센서 기반 시스템을 제안한다. 수작업으로 추출한 특징에 퍼지 레이블링을 적용한 서포트 벡터 머신(SVM)을 활용하여, 90.5%의 정확도, 94.2%의 민감도, 85.4%의 특이도를 달성하였으며, 자가 보고에 의존하지 않고 개인 맞춤형, 지속적이고 객관적인 약물 상태 추적 방법을 제공한다.

ABSTRACT

One of the most prevalent complaints of individuals with mid-stage and advanced Parkinson's disease (PD) is the fluctuating response to their medication (i.e., ON state with maximum benefit from medication and OFF state with no benefit from medication). In order to address these motor fluctuations, the patients go through periodic clinical examination where the treating physician reviews the patients' self-report about duration in different medication states and optimize therapy accordingly. Unfortunately, the patients' self-report can be unreliable and suffer from recall bias. There is a need to a technology-based system that can provide objective measures about the duration in different medication states that can be used by the treating physician to successfully adjust the therapy. In this paper, we developed a medication state detection algorithm to detect medication states using two wearable motion sensors. A series of significant features are extracted from the motion data and used in a classifier that is based on a support vector machine with fuzzy labeling. The developed algorithm is evaluated using a dataset with 19 PD subjects and a total duration of 1,052.24 minutes (17.54 hours). The algorithm resulted in an average classification accuracy of 90.5%, sensitivity of 94.2%, and specificity of 85.4%.

연구 동기 및 목표

• 자신감 있는 자가 보고에 의존하지 않고 PD 환자에서 약물 ON 및 OFF 상태를 객관적으로 감지할 수 있는 개인 맞춤형 웨어러블 기반 시스템을 개발하기 위해.
• 최소한의 센서 하드웨어를 사용하여 일상 활동 중 약물 반응을 지속적이고 수동적으로 모니터링할 수 있도록 하기 위해.
• 일반화된 모델이 아닌 환자 개개인의 특성에 맞춰 개별 분류기 모델을 학습시켜 환자 간 이질성을 해소하기 위해.
• 자신감 있는 실생활 조건에서 ON 및 OFF 상태 지속 시간에 대한 정확하고 실시간의 데이터를 제공하여 치료 조정을 향상시키기 위해.
• 향후 홈 환경에의 구현을 위해 다양한 일상 활동을 수반하는 임상 실험실 환경에서 시스템의 유효성을 검증하기 위해.

제안 방법

• 걷기, 옷 입기, 휴식 등 일상 활동 중 움직임 데이터를 캡처하기 위해 손목과 발목에 삼축 자이로스코프 두 대를 부착한다.
• 운동 패턴을 표현하기 위해 시간 도메인, 주파수 도메인, 시간-주파수 도메인의 포괄적인 특징 세트를 운동 신호에서 추출한다.
• 약물 상태 분류에 가장 유의미한 특징을 식별하기 위해 특징 선택 절차를 적용한다.
• 상태 경계의 불확실성을 다루고 강건성을 향상시키기 위해 퍼지 레이블링을 적용한 서포트 벡터 머신(SVM) 분류기를 사용한다.
• 각 환자의 분류기는 자신의 짧은 임상 세션에서 수집한 레이블링된 데이터를 사용하여 학습되며, 개인 맞춤화 및 일반화 능력 향상을 보장한다.
• 초기 캘리브레이션 이후 실생활 환경에서 수동으로 작동하도록 설계되어 환자나 의료진의 지속적인 입력이 필요로 하지 않는다.

실험 결과

연구 질문

• RQ1 다양한 일상 활동 중 파킨슨병 환자에서 두 개의 센서로 구성된 웨어러블 시스템이 약물 ON 및 OFF 상태를 정확하게 감지할 수 있는가?
• RQ2 환자 개개인의 분류기 학습 방식이 다수 환자에 공통으로 적용되는 모델 대비 감지 성능을 얼마나 향상시키는가?
• RQ3 수작업 특징과 퍼지 SVM 기반의 시스템이 기존 방법 대비 정확도와 모니터링의 지속성 측면에서 얼마나 뛰어난가?
• RQ4 활동별 모델이 필요 없이 다양한 운동 행동(예: 걷기, 휴식, 옷 입기)에서 시스템이 어떻게 성능을 발휘하는가?
• RQ5 센서 배치 및 최소한의 하드웨어 구성이 시스템의 실현 가능성과 임상적 유용성에 어떤 영향을 미치는가?

주요 결과

• 제안된 알고리즘은 19명의 PD 환자에서 총 1,052.24분의 데이터 수집 기간 동안 평균 분류 정확도 90.5%를 달성하였다.
• 94.2%의 민감도는 ON 상태를 강력하게 감지할 수 있음을 시사하며, 이는 최적의 약물 반응을 식별하는 데 핵심적이다.
• 85.4%의 특이도는 OFF 상태를 신뢰성 있게 식별함으로써 가짜 양성 결과를 줄임을 보여준다.
• 이 시스템은 보행, 음료 섭취, 휴식, 옷 입기 등 다양한 활동에서 약물 상태를 성공적으로 감지하여 지속적인 모니터링을 가능하게 하였다.
• 개별 환자 기반 분류기 사용은 환자 간 운동 증상 및 질환 진행의 이질성을 반영함으로써 성능 향상에 기여하였다.
• 최소 두 대의 웨어러블 센서만으로도 기존의 다중 센서 시스템 대비 장기적인 실생활 활용에 실용적임을 입증하였다.