[论文解读] Wearable-based Mediation State Detection in Individuals with Parkinson's Disease

Murtadha D. Hssayeni, Michelle A. Burack+5 more|arXiv (Cornell University)|Sep 19, 2018

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

一句话总结

本研究提出一种基于可穿戴传感器的系统，通过在手腕和脚踝处佩戴两个三轴陀螺仪，检测帕金森病（PD）患者用药的“开启”和“关闭”状态。该方法采用基于手工特征的模糊标签支持向量机（SVM），实现了90.5%的准确率、94.2%的敏感度和85.4%的特异度，为患者提供了个性化、连续且客观的用药状态监测方式，替代了不可靠的自我报告。

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%.

研究动机与目标

• 开发一种个性化、基于可穿戴设备的系统，客观检测帕金森病患者用药的“开启”和“关闭”状态，以减少对不可靠自我报告的依赖。
• 通过最少的传感器硬件，在日常活动中实现对药物反应的连续、被动监测。
• 通过为每位患者单独训练分类器，而非使用“一刀切”的通用模型，来应对个体间差异性。
• 通过提供来自自由生活环境中的准确、实时的“开启”和“关闭”状态持续时间数据，改善治疗方案调整。
• 在临床实验室环境中，通过多样化日常活动对系统进行验证，为未来在家庭环境中的部署奠定基础。

提出的方法

• 在手腕和脚踝处安装两个三轴陀螺仪，用于捕捉行走、穿衣、静息等日常活动中的运动数据。
• 从运动信号中提取一组全面的时间域、频域及时频域特征，以表征运动行为模式。
• 应用特征选择过程，识别出对药物状态分类最具判别力的特征。
• 采用带有模糊标签的支持向量机（SVM）分类器，以处理状态边界处的不确定性，提升模型鲁棒性。
• 每位受试者的分类器均使用其自身短时临床会话中的标注数据进行训练，确保个性化并提升泛化能力。
• 系统在初始校准后可实现被动运行，无需患者或临床医生持续参与。

实验结果

研究问题

• RQ1 基于双传感器的可穿戴系统能否在帕金森病患者进行多样化日常活动时，准确检测其用药的“开启”和“关闭”状态？
• RQ2 与跨受试者共享的模型相比，为每位患者单独训练分类器在检测性能上有多大提升？
• RQ3 基于手工特征和模糊SVM的系统，在准确率和监测连续性方面，与现有方法相比能有多大优势？
• RQ4 该系统在无需针对不同活动设计专用模型的情况下，能否在各种运动行为（如行走、静息、穿衣）中表现良好？
• RQ5 传感器位置和最少硬件配置对系统可行性与临床实用性的实际影响如何？

主要发现

• 所提出的算法在19名PD受试者中，1,052.24分钟的数据采集中，平均分类准确率达到90.5%。
• 94.2%的敏感度表明系统对“开启”状态的检测能力很强，这对识别最佳药物反应至关重要。
• 85.4%的特异度表明系统能可靠识别“关闭”状态，减少误报。
• 系统成功检测了多种活动（如行走、饮水、静息、穿衣）中的用药状态，实现了连续监测。
• 采用个体化分类器显著提升了性能，有效应对了运动症状和疾病进展的个体间差异。
• 系统仅需两个可穿戴传感器，相比多传感器系统更具实用性，适合长期真实世界使用。