[论文解读] Characterization of the Handwriting Skills as a Biomarker for Parkinson Disease

Reinel Castrillón, Alejandro Acien+7 more|arXiv (Cornell University)|Mar 19, 2019

Parkinson's Disease Mechanisms and Treatments参考文献 15被引用 6

一句话总结

本研究构建了一个大规模、多样化的数据库，包含55名帕金森病（PD）患者和94名健康对照者（年轻和老年）的935项在线手写任务，旨在评估手写作为PD生物标志物的潜力。通过结合运动学、非线性动力学及神经肌肉特征，并采用SVM、KNN和MLP分类器，该方法在区分PD患者与健康对照者方面实现了高达97.2%的准确率，其中在区分PD与年轻对照者时准确率达96.9%，表明手写分析在PD早期诊断和长期监测方面具有巨大潜力。

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.

研究动机与目标

• 开发一个全面、公开可用的在线手写任务数据库，用于帕金森病（PD）研究。
• 评估手写模式（特别是运动学、非线性动力学和神经肌肉特征）作为PD生物标志物的区分能力。
• 通过同时纳入年轻和老年健康对照者，区分PD所致运动障碍与正常衰老引起的运动障碍。
• 评估多种机器学习分类器在利用手写数据区分PD患者与健康个体方面的性能。
• 为手写分析在PD早期检测和纵向监测中的应用提供洞见。

提出的方法

• 从55名PD患者和94名健康对照者（45名年轻，49名老年）中收集了935项在线手写任务，受试者按年龄和教育水平匹配。
• 提取三类特征：神经肌肉特征（反映中枢神经系统控制）、运动学特征（运动轨迹、速度、加速度）以及非线性动力学特征（运动输出中的混沌行为）。
• 应用三种分类器：k近邻（KNN）、带RBF核的支撑向量机（SVM）以及多层感知机（MLP）进行二分类。
• 采用晚期融合策略，整合来自多个来源的特征，通过融合互补信息提升区分能力。
• 使用受试者工作特征（ROC）曲线和曲线下面积（AUC）评估性能，并采用10折交叉验证。
• 在训练过程中排除圆形任务，以避免数据泄露，确保模型泛化能力的稳健性。

实验结果

研究问题

• RQ1 在线手写特征能否作为帕金森病检测的可靠生物标志物？
• RQ2 运动学、非线性动力学和神经肌肉特征在区分PD患者与健康对照者方面的能力如何比较？
• RQ3 手写分析在多大程度上能够区分PD相关的运动功能减退与与年龄相关的神经肌肉功能减退？
• RQ4 哪种手写任务与特征集组合能实现PD检测的最高分类准确率？
• RQ5 与单一特征集相比，多模态特征融合能否提升PD分类的敏感性和特异性？

主要发现

• 所提出的数据库是目前公开可用的、针对PD研究中在线手写分析的最大数据集，包含55名PD患者和94名健康对照者的935项任务。
• 使用所有融合特征的RBF-SVM分类器取得了最佳分类性能，区分PD患者与年轻健康对照者时准确率达97.2%。
• 区分PD患者与老年健康对照者的准确率为81.7%，凸显了在PD与年龄相关运动功能减退之间进行区分的挑战。
• 运动学特征表现出最强的区分能力，SVM在区分PD与年轻对照者时准确率达96.9%，在区分PD与老年对照者时准确率达81.9%。
• 所有特征集（运动学、非线性动力学和神经肌肉）的融合在所有分类器和受试者比较中均持续优于单一特征集。
• ROC分析证实，所有特征组合的AUC最高，表明整体区分性能更优，尤其在区分年轻对照者与PD患者方面表现突出。