[论文解读] Sensoring and Application of Multimodal Data for the Detection of Freezing of Gait in Parkinson's Disease

Wei Zhang, Debin Huang+8 more|arXiv (Cornell University)|Oct 9, 2021

Muscle activation and electromyography studies参考文献 13被引用 5

一句话总结

本研究提出了一种多模态传感器融合方法，结合加速度计（ACC）、脑电图（EEG）、肌电图（EMG）和皮肤电导（SC），用于检测帕金森病患者的步态冻结（FOG）。在12名患者的实验协议中，EEG在区分能力上优于ACC和EMG，且多模态数据显著提升了FOG检测的准确性，实现了对生理过渡过程的分析，并支持个性化干预策略的制定。

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.

研究动机与目标

• 开发一套全面的传感器协议，用于在帕金森病患者的FOG发作期间捕获多模态生理与物理信号。
• 评估单模态信号（ACC、EEG、EMG、SC）在检测FOG方面的区分能力。
• 探究结合多种模态是否相比单模态方法能提升FOG检测的准确性。
• 利用多模态数据分析FOG发作期间的生理过渡过程，为潜在的个性化干预策略提供依据。
• 公开提供原始数据与滤波后数据，以支持未来研究的可重复性与基准测试。

提出的方法

• 设计了一套多模态传感器系统，结合商用与自研传感器，同步采集ACC、EEG、EMG和SC信号，用于FOG诱发任务。
• 实施了两项实验任务：步态启动失败与行走中的FOG，以诱发帕金森病患者的FOG发作。
• 从12名帕金森病患者处收集了总计3小时42分钟的有效记录数据。
• 由两名合格医生对FOG发作事件进行标注，以确保临床准确性和真实基准的可靠性。
• 采用信号处理与分类技术，对单模态及多模态信号组合进行处理与评估，以实现FOG检测。
• 本研究利用Mendeley Data平台发布的数据，公开了原始数据与滤波后数据集，支持研究再利用。

实验结果

研究问题

• RQ1 在帕金森病患者中，单模态信号（ACC、EEG、EMG、SC）在检测步态冻结方面的表现如何比较？
• RQ2 与单模态方法相比，多模态数据融合在多大程度上提升了FOG检测性能？
• RQ3 多模态生理信号能否揭示FOG发作前或发作期间潜在的生理过渡过程？
• RQ4 尽管EEG数据采集复杂，其在FOG检测中的临床与技术可行性如何？
• RQ5 多模态数据如何支持个性化、实时FOG干预策略的开发？

主要发现

• EEG在单模态信号中表现出最高的区分能力，检测FOG的效果优于ACC和EMG。
• 与单一模态相比，多模态数据融合显著提升了FOG检测性能。
• 运动与电生理信号的结合使研究者能够分析FOG发作初期的生理过渡过程，揭示了前冻结状态的特征。
• 本研究成功收集并标注了12名PD患者共计3小时42分钟的高质量多模态数据。
• 原始数据与滤波后数据集均已公开发布于Mendeley Data，支持未来FOG检测研究的可重复性与基准测试。
• 尽管EEG数据采集复杂，其提供的神经生理信息具有重要价值，可与传统基于运动的传感器形成有效互补，提升FOG检测效果。