[论文解读] A Multi-layer Gaussian Process for Motor Symptom Estimation in People with Parkinson's Disease

M. Lang, Franz Pfister+8 more|arXiv (Cornell University)|Aug 31, 2018

Parkinson's Disease Mechanisms and Treatments参考文献 24被引用 3

一句话总结

本文提出了一种多层高斯过程模型，利用可穿戴腕部惯性传感器在非结构化日常活动中采集的数据，估计帕金森病运动症状的严重程度——包括震颤、非震颤性运动不能和非震颤性异动症。通过将临床评分的MDS-UPDRS标注结果分层堆叠训练的高斯过程模型，该方法在真实世界环境中实现了稳健、客观且连续的症状监测，与临床评估具有高度一致性。

ABSTRACT

The assessment of Parkinson's disease (PD) poses a significant challenge as it is influenced by various factors which lead to a complex and fluctuating symptom manifestation. Thus, a frequent and objective PD assessment is highly valuable for effective health management of people with Parkinson's disease (PwP). Here, we propose a method for monitoring PwP by stochastically modeling the relationships between their wrist movements during unscripted daily activities and corresponding annotations about clinical displays of movement abnormalities. We approach the estimation of PD motor signs by independently modeling and hierarchically stacking Gaussian process models for three classes of commonly observed movement abnormalities in PwP including tremor, (non-tremulous) bradykinesia, and (non-tremulous) dyskinesia. We use clinically adopted severity measures as annotations for training the models, thus allowing our multi-layer Gaussian process prediction models to estimate not only their presence but also their severities. The experimental validation of our approach demonstrates strong agreement of the model predictions with these PD annotations. Our results show the proposed method produces promising results in objective monitoring of movement abnormalities of PD in the presence of arbitrary and unknown voluntary motions, and makes an important step towards continuous monitoring of PD in the home environment.

研究动机与目标

• 在非结构化的日常环境中实现帕金森病运动症状的连续、客观监测。
• 解决在自由生活条件下区分帕金森病相关运动异常与任意自愿运动的挑战。
• 不仅估计症状的存在，还利用临床严重程度评分作为监督信号，估计震颤、运动不能和异动症的严重程度。
• 开发一种分层建模框架，以捕捉不同帕金森病症状类别的独特特征。
• 通过可穿戴传感器数据和临床医生标注的严重程度评分，验证该方法在真实世界环境中的可靠性。

提出的方法

• 该方法采用多层高斯过程（GP）架构，每一层独立建模三种帕金森病症状类别之一：震颤、非震颤性运动不能和非震颤性异动症。
• 每个GP模型使用来自腕部惯性传感器数据的输入特征进行训练，包括时域和时频域表示，如频谱图和小波系数。
• 模型以MDS-UPDRS的临床严重程度评分为标量输出，实现症状严重程度在0–4尺度上的回归。
• 分层堆叠结构允许对症状特异性动态进行独立建模，同时保持可解释性，并对未知的自愿运动具有鲁棒性。
• 每个GP使用平方指数核，通过最大化边际似然优化超参数，以捕捉从传感器输入到症状严重程度的非线性映射。
• 每个症状的最终预测结果为高斯分布，既提供严重程度估计，也提供置信区间。

实验结果

研究问题

• RQ1 多层高斯过程模型能否准确估计从非结构化腕部运动数据中获得的多种帕金森病运动症状的严重程度？
• RQ2 在自由生活条件下，该模型在多大程度上能区分帕金森病相关运动异常与任意自愿运动？
• RQ3 与单模型方法相比，分层GP结构在估计不同症状类别方面有多大程度的改进？
• RQ4 尽管缺乏特定任务指令或受控活动，该模型能否实现与临床标注的高度一致性？
• RQ5 引入时频域特征是否能增强模型检测细微或非震颤性运动症状的能力？

主要发现

• 所提出的多层GP模型在预测症状严重程度与临床医生标注的MDS-UPDRS评分之间表现出高度一致性，证明了其在真实世界环境中的高可靠性。
• 该模型成功估计了震颤、非震颤性运动不能和非震颤性异动症的严重程度，且无需患者执行特定任务。
• 使用时频域特征显著提升了对非震颤性运动异常的检测能力，这些异常仅靠时域特征往往难以捕捉。
• 分层结构即使在存在未知且任意的自愿运动时，也能实现稳健估计，同时保持高预测准确性。
• 模型的预测置信区间校准良好，表明其在临床决策支持中提供了可靠的不确定性估计。
• 结果表明，该方法是实现帕金森病进展连续、客观、居家监测的可行一步。