文摘

马达帕金森病(PD)的临床特征通常由医生使用量化验证clinimetric尺度等统一帕金森病评定量表(MDS-UPDRS)。然而,临床评分容易主体性和两分的变化。PD医学界因此寻找一个简单,便宜,和客观的评级方法。这一目标的第一步,三轴基于重力感应系统中使用的样本36 PD患者和10个年龄组进行MDS-UPDRS手指敲击(英尺)的任务。首先,原始信号隔离连续单一英尺运动时代。接下来,十八英尺任务提取运动特征,描绘MDS-UPDRS特性和加速度计特定功能。有序逻辑回归模型和一个贪婪的向后算法被用来识别最相关的特征的预测MDS-UPDRS英尺分数,由3专家给出运动障碍(smd)。Goodman-Kruskal伽马指数(0.961),得到描述模型的预测性能,类似于那些获得个人分数之间的SMD(0.870到0.970)。MDS-UPDRS分数使用该系统的自动预测可能有价值的临床试验旨在评估和修改电机PD患者的运动能力。

1。介绍

最重要的功能障碍患者的帕金森病(PD),慢性神经退行性条件,是随意运动的障碍突出特点是缓慢。这种现象通常被称为运动徐缓(1]。震颤和肌肉硬度也部分电动机表型光谱(2]。虽然没有可以定义一个潜在的病理生理机制,解释了一切,动作迟缓等运动症状似乎进步相关黑质多巴胺能神经元的损失(2,3]。

几十年以来,医学界一直在开发临床工具,如等级量表量化在PD汽车和其他症状的严重程度。尽管各种试图量化使用仪器和设备,临床量表仍是首选方法,因为他们很容易管理和广泛使用。

年代末,统一帕金森病评定量表(UPDRS)提出了作为主要国际帕金森病评定量表的临床护理和研究仍然是固定在MDs的日常实践。电机检查UPDRS运动障碍需要专家的一部分(smd)得分电机干扰在5范围内从0(正常性能)4(严重,无法执行任务)的基础上,目视检查。2008年,运动障碍协会发布了一个升级版本的原始UPDRS [4),基于工作组制定的批评的等级量表在帕金森病5]。新量表(MDS-UPDRS)已被证明是更敏感的轻微损伤,使一个更客观的评级通过对所有任务的详细说明。然而,MDS-UPDRS仍然遭受方法论的限制所有临床常见等级量表包括主体性和评分者间信可变性(6]。

客观定量措施使用运动传感器可以帮助临床医生在评估电机赤字。惯性和磁传感器提出了量化电动机性能在各种医学应用(7),从正常和病理行走模式之间的区别8)上肢取向的评估基于加速度计和陀螺仪测量(9]。这些传感器虽小,低成本,轻量级,可以记录组件的运动加速度和位移。他们的使用并不局限于实验室环境8,他们不受阻塞问题昂贵的基于视觉标记跟踪系统(10]。加速度计因此成为首选连续,不引人注目的,可靠的方法在人类运动量化(7]。在PD,惯性传感器提出了研究地震强度和频率的不对称11),量化震颤和运动徐缓(12),研究了动态休息和姿势肢体震颤(13),或分析动态自愿肌肉收缩(14]。加速度计也被用来量化的损伤手指敲击(英尺)运动1,15,16),研究运动频率对重复的手指运动的影响(17),或提出新的参数量化的测试(英国《金融时报》18]。

为什么那些更复杂的传感器系统尚未采用在日常临床实践中,这些系统太贵,太复杂的临床需求,处理病人太重。改善运动评价的方法,同时使用临床量表在临床开发系统,将评估运动规模任务和自动预测临床量表分数。第一种方法包括在评估运动传感器的运动学指标之间的相关性及临床尺度,是一个不断成长的领域的研究。修改动作迟缓的可靠性评定量表及其与运动相关的措施从惯性传感器最近评估(19]。Giuffrida等人进行了多元线性回归模型和original-UPDRS成绩之间的相关性为地震任务(6]。

为了改善PD的诊断准确性,工具预测分数从MDS-UPDRS英尺的任务提出了运动特性。

2。材料和方法

2.1。主题和材料

±SD = 36 PD患者(平均年龄63.9±9.1年,37 - 79;28岁男性;意味着疾病持续时间= 7.5±4.0,总分MDS-UPDRS汽车考试= 32±10.8)和10个健康志愿者(±SD = 59±15.2年,平均年龄38 - 87;5男性)参与了这项研究创建一组观察英国《金融时报》的分数在0和4之间,被三个smd,根据MDS-UPDRS标准(表1)。PD被诊断为大脑根据英国帕金森症社会银行标准(20.]。开/关药物地位没有考虑,本研究的目的是无关紧要的。受试者招募了回旋加速器研究中心的神经学部门,比利时列日大学医院中心。所有的病人提供书面知情同意。本研究协议已经由当地伦理委员会批准。

使用硬件加速计记录加速度±10 g (1 g = 9.81 m / s²)被放置在两只手的食指尖端。的设在垂直加速度计的食指垂直轴设在是平行的,设在水平垂直,呈现在图1。加速度计校准使用最小化函数基于重力场的标准和方向(21]。数据记录的采样频率167赫兹和分析使用Matlab 7.6.0(美国马MathWorks,纳蒂克)。

所有参与者管理马达检查MDS-UPDRS(第三部分)。显然是解释和证明的说明对象在执行任务之前,根据MDS-UPDRS指令。在英国《金融时报》的任务,受试者被要求利用食指拇指尽快和尽可能大10倍。如果病人没有停止,考官提供一个停止信号,只有第一个10运动考虑进行后续分析。受试者被要求开始张开手指,在最大振幅。每只手分别测试了46个主题,导致92年的观察。三个病人双手呈现4分。通过定义他们无法完成任务的,和他们的观察进行进一步分析,导致剩余的86年的观察。系统立即能够有资格6排除观测分数4(见部分3所示。1)。每个观测视频记录允许得分由三个smd,根据MDS-UPDRS指令表中给出1(4]。对于每一个观察,SMD共识分数被定义为平均分数四舍五入为最接近的整数。

2.2。信号时代

处理的第一步是时代连续记录数据以隔离前10英尺的动作或样品。一英尺运动定义为两个水龙头之间的间隔,也就是说,当索引了拇指,导致的高频率和振幅峰值设在信号。这些山峰被确定使用的高频输出Daubechies小波变换(db4)的记录设在信号。的设在记录加速度及其时代提出的SMD共识得分0获得在一个健康志愿者(图2)和SMD共识分数的PD患者(图3获得3)。每英尺的运动是另一个重要的里程碑的时间最大开放加速度由低频高振幅峰值中设在运动发生在主体分裂了他/她的手指。

2.3。功能定义和提取

根据MDS-UPDRS,动作迟缓在英国《金融时报》的任务是临床上表现为运动缓慢,和/或递减的速度和/或重复动作幅度,和/或犹豫22]。犹豫可以打开/关闭运动发生在启动(启动犹豫)或在手指运动(执行犹豫或伸展不足)。

时代后,连续8 MDS-UPDRS特性定义从10英尺的动作捕捉这些临床特点的基础上,计算出的运动频率,张角,伸展不足的程度,他们的线性变化在10英尺的动作。十accelerometer-specific特性也提取运动时间的百分比的基础上最大加速度,最大的关闭和打开的加速度,线性变化在10英尺的动作。表2给出了总结的特性以及它们的最小和最大值在86年的观察。

MDS-UPDRS特性,表达的移动速度是通过平均运动频率(频率)这是计算每个运动时间的倒数。为了描述未来的递减速度(Dfreq),我们估计运动之前执行的数量递减开始使用一个统计t -测试。每英尺的运动在一个给定的系列中,我们比较了的意思是英国《金融时报》剩下的运动频率与英国《金融时报》的平均频率的动作已经完成。我们对这种差异是否显著的使用t -测试()。如果连续两个不同频率t -测试是重要的,英国《金融时报》运动导致第一个显著差异是用来确定未来的递减速度出现。因此,如果没有观察到减量,10获得的价值功能。同样的方法被用来检测移动速度的增加(Afreq)。

可能存在的停止运动(停止)也是一个临床特点。停止检测,如果不同运动频率和频率斜率(10个样本之间的线性变化,计算robustfitMatlab函数)高于给定阈值。

犹豫也计算的数量(Hesits)。样本被定义为一个犹豫如果频率或运动时间百分比定义的范围以外的最大加速度是开放的意思是,标准差和斜率。每个样本犹豫增量的值犹豫特性。

的水平伸展不足可以描述的平滑的运动(Hypom)。对于一个健康的主题,这个运动是由一个加速和减速,使低频高振幅峰值运动在英国《金融时报》表示。在PD患者中,这个开口运动可能是一个混合的多个加速和减速,由于执行犹豫,由多个反射峰的记录设在加速度。事实上,动作迟缓的特点是无法激活适当的肌肉启动和维持大规模和快速运动。PD患者因此需要一系列的多个受体激动剂爆发来完成更大的运动(22]。在这里,这些脉冲检测使用findpeaksMatlab函数。每个样本有超过两座山峰被用来增加的价值伸展不足特性。

为了表达运动的振幅角)及其可能的decrementation (摇摆),意味着打开角度的计算。一个属性重力加速度计的静态加速度记录以及运动的惯性组件(8]。在静态或准静态条件下,当记录主要是由于重力加速度,加速度计可以用来测斜仪和基本三角倾斜的角度。张角是基于价值的重力设在当手指是开放的()和关闭(根据(),1)。在这两个时期,只有重力和地震加速度记录。地震是最低的设在,平行方向的手指,平均计算重力轴。开放和封闭的手指的检测是基于的方差设在信号处理。为了描绘未来的递减幅度,一样的t -测试方法,提出了使用之前。考虑

accelerometer-specific特性中,我们定义了的意思是(Topen),标准偏差(sdTopen)和斜率(slTopen)的运动时间的百分比最大开放加速发生在10英尺的动作。

均值、标准差和边坡的最大加速度关闭(尖,sdAclose,和slAclose)和最大加速度(Aopen,sdAopen,和slAopen)也被提取设在记录加速度。与最大关联的功能关闭加速表达手指轻而强度特性与最大关联开放加速代表开放的速度运动。自尖和Aopen基于加速度的振幅特性,重力工件中由于重力组件必须考虑加速度记录。重力加速度的直流分量通过高通滤波可以很容易地删除。然而,分离的任务的重力加速度和惯性组件旋转的频率是不可能的,除非使用多个传感器(23]。工件进行特征提取,引力不再是一个问题,只要保持不变或与功能的范围相比可以忽略不计。当手指关闭,重力场是平行的设在及其价值大约是1 g。随着主题手指,剥离设在组件的重力变化,在那里之间的角度吗设在和重力场。最大关闭提取加速度的峰值加速度指数水龙头拇指时,即当设在平行重力场,根据指令给受试者。因此,工件重力几乎是常数。最大的开放加速发生在开放运动的开始,也就是说,当。重力工件有0.292 g的最大变化,这是可以忽略不计的范围与特性值(9.538 g-Table2)。

最后一个特性是均方根(RMS)中提取出的信号幅度,是(6]。

完全,MDS-UPDRS特性和accelerometer-specific特性形成一组18英尺任务运动特性。

2.4。预测模型的建设

这项工作的主要目标是开发一个工具来预测目标MDS-UPDRS分数从英国《金融时报》任务运动特性和识别这些特性的最佳预测MDS-UPDRS英尺3 smd独立打分,根据相应的录像。结果是离散和自然秩序,MDS-UPDRS评分预测问题是解决使用顺序逻辑回归模型。

2.4.1。顺序逻辑回归模型

逻辑回归是一种统计工具用来预测一个离散的结果,如组成员,从一组可以是连续的或离散的预测变量。如果结果是二进制如果我们有预测变量二元逻辑回归模型的系统的一部分,定义如下:

与 分对数的结果的概率(即。,the logarithm of the odds的事件)被建模为一个线性组合的预测变量。当结果是离散而不是二进制在这项研究(= 0、1、2或3),二进制逻辑回归模型可以扩展成一个有序逻辑回归模型,通过考虑顺序自然的结果。在这里,一个主题的概率等于或属于一个类别命令之前()的概率比病人后下令属于一个类别()。系统有序逻辑回归模型的一部分定义如下:

与 的和系数从数据通过使用最大似然估计过程。在这些方程,我们观察到的每个三分对数有自己的术语但同样的系数。这意味着预测变量的影响是相同的三个分对数或等价于每个可能性。之前我们还观察到一个负号预测变量系数因为有序逻辑回归模型中的概率定义在一个不同的方式与二元逻辑回归模型。因此积极的参数的估计显示相关变量之间的正相关和SMD共识得分。

为了使用这种序数回归模型作为预测工具,模型必须首先被训练在训练数据集。在这个训练数据集,每个观测与英国《金融时报》任务运动特性(视为预测变量的模型)以及一个SMD共识得分(作为结果变量模型)。然后,有序逻辑回归模型可以应用于新的观测与未知MDS-UPDRS分数为了预测这些分数从英国《金融时报》任务运动特性。概率属于每个命令类确实可以计算为一个观察的值。然后,连续得分可以通过求和结果的值(0、1、2或3)乘以估计。这种不断的得分范围在0和3之间,可以是离散的,如果有必要,使用阈值。

全球86年观测模型训练(图4)。注意所有十八岁的特性可能不是有用的构建模型。可以选择特性的一个子集来最大化模型的预测性能。在这里,我们使用了一个贪婪的向后算法来选择最佳的特征子集预测MDS-UPDRS英尺分数(图5)。然后,自全球模型训练的观察,无法评估其预测性能在一个独立的数据集。因此,为了估计全局模型的预测性能,分析交叉验证方法(图6)。建设全球模型、特征选择和性能评估进行使用设计,vcdExtra,和变色龙R包(统计计算的R项目)。

2.4.2。特征选择

建设全球模型,特征选择是执行一次86年的观察。事实上,18个特征提取的一个子集从英国《金融时报》任务只可能是有用的构建顺序逻辑回归模型,以最大化模型的预测性能。变量的选择集最大化模型的预测性能称为变量选择问题24]。为了考虑预测变量之间的相互影响,我们使用一个变量选择的包装技术。各种变量的子集,即功能,生成和评估(25]。各种功能的子集生成使用贪婪的逆向选择。贪婪搜索策略计算优势和强劲的过度拟合(24]。这个想法是为了从一个模型包含的所有特性和评估其预测性能。然后,相关的迭代特性被越少。预测性能相关特性的一个子集是评估在两个步骤。首先,内部交叉验证循环执行为了获得预测分数为每个观察。第二,Goodman-Kruskal伽马指数预测和SMD共识之间的分数计算,定义为性能指标。这个指数测试cross-tabulated数据协会的力量当两个变量是测量在序数级别(26]。在每个迭代中,特性消除进行改善Goodman-Kruskal伽马指数最高。消除落后停止当任何特性消除导致减少这个索引。

2.4.3。预测绩效评估

分析交叉验证,内外循环,进行了估算全球模型的预测性能。在外层循环的每次迭代,数据集被分为学习和测试。学习部分包含85观察测试部分只包含剩余的观察。学习是用来选择相关的预测变量通过包装技术(使用一个内部交叉验证循环部分的解释2.4。2)和训练有序逻辑回归模型。相关变量的选择只在执行训练为了避免过高的部分预测性能。培训步骤后,模型被用来预测MDS-UPDRS分数的观察在测试部分。这个过程被重复86次为了预测所有的观察。八十六的子集相关特性也因此获得在交叉验证。最后,每个观察有关0和3之间的连续预测以及离散SMD共识评分(0、1、2或3)。各种性能指标计算为了评估模型的预测性能。

曲线下的面积(AUC)接受者操作特征(ROC)计算。ROC曲线情节敏感性(真阳性)特异性(假阳性)连续的阈值用于定义预测阳性和阴性的连续得分(27]。0.5对应的AUC noninformative模型时的AUC 1对应于一个完美的模型。正确分类的准确性被定义为比例在所有的分类。敏感性,特异性,因此AUC,以及准确性,只能计算二进制分类任务。与四个命令的结果是离散类,这个问题必须重新制定成二进制分类后的三个问题:(我)第一个分类任务:独立的观测结果与观测的得分为0得分大于0;(2)第二个分类任务:独立的观测结果与观测的得分为0或1得分大于1;(3)第三个分类任务:独立观察得分为0,1或2从观察分数大于2。

为了计算下一个性能指标,离散分数是必要的。阈值被用来使离散连续得分四个命令类。中定义的敏感性、特异性和准确性(6)然后计算如下: TP、TN、FP和FN表示真阳性的数量,真正的底片,假阳性,假阴性,分别。

离散预测也用于计算Goodman-Kruskal伽马指数预测和SMD共识之间的分数。Goodman-Kruskalγ的值的范围从索引(负协会)(完美的协议)。

3所示。结果

3.1。SMD共识分数

分数据SMD共识,12观察导致0分,32的观察导致1分,31日观察导致分数2,和11的观察导致3分。3例患者在双手也得到4分。然而,这些病人并不包括在分析,因为他们不可能完成任务的。任何运动的特性可以从他们的动作中提取,系统立即给他们4分低方差的基础上所记录的信号,以100%的精度。Goodman-Kruskal伽马指数获得的个人得分之间三个SMD和SMD共识分数,,,分别。Goodman-Kruskal伽马指数之间获得个人SMD分数之间的不同和。

3.2。信号时代和特征提取

时代的视觉检查信号显示一个非常高的准确性()。两个参数表达位置和峰值检测窗口的宽度必须适应时代的信号记录在颤抖PD患者和对于那些3分,通常有迟疑或停止运动。

信号时代后,18个特征提取来自MDS-UPDRS英尺任务的基础上计算出的运动频率,运动时间的百分比最大加速度,最大的关闭和打开的加速度,张角,水平伸展不足节中描述2。3。获得的最大和最小值为每个特性在86年观察出现在桌子上2。原始信号并提取特性提出了SMD共识评分(0)从一个健康志愿者(获得数据2和7)和一个SMD共识得分3从PD病人(数据获得3和8)。健康志愿者显示稳定性能重复性的英国《金融时报》的动作。运动幅度大,常数。英国《金融时报》的任务执行的PD患者以较慢的频率,但没有迹象显示递减或扩充频率。平均孔径角相当低,衰减随着时间的推移,反映的摇摆特征值为2。所以,患者设法保持一个恒定的频率,但执行越来越小的动作。三个犹豫也检测到。这些解释的运动特性已经被检查验证相应的录像。

3.3。顺序逻辑回归模型和特征选择

特征选择进行86年来构建全球观测模型。这个模型包括12特性预测变量。模型参数估计出现在桌子上3。的参数没有特别解释。正(负)参数对应的变量积极(消极)与SMD共识的分数。例如,当系数是负的,增加了Aopen往往进行到一个较低的分数SMD共识。这是见图9。这些参数的绝对值必须小心被考虑的范围对应的变量。非常高的部分由于系数非常小的范围(0.063)slTopen。因为所有观察这个模型被用来训练,无法评估它的性能在一个独立的测试数据集。然而,据估计与交叉验证策略。

3.4。预测绩效评估

后嵌套(内外循环)交叉验证,每个观察与预测分数。这些成绩是在连续的尺度在0和3之间,必须定义阈值以分类的观察不同的命令类和计算的一些性能指标。作为第一近似,阈值为0.5,1.5和2.5。一个Goodman-Kruskal伽马指数获得分数预测和SMD之间的共识。命令列联表(表4)联合频率分布的预测和SMD共识的分数。我们观察到的最大偏差之间的预测和SMD共识分数是1,大多数观测是对角线上。

敏感性、特异性、准确性和中华民国的AUC是嵌套的使用获得的预测计算交叉验证每个二进制分类任务,出现在桌子上5。中华民国曲线获得第二分类任务呈现在图10。

在嵌套的交叉验证,特征选择进行了86次,也就是说,一个外循环的每次迭代的时间。表6总结了每个变量的频率选择。八个变量(Dfreq,Afreq,Hesits,停止,slTopen,slAclose,Aopen,沙子slAopen)选择相关的(至少在大多数迭代大胆的提出了时间)表6。这些特性都是在全局模型的特征选择的施工提出了部分3所示。3。

4所示。讨论

我们这里有了一个新系统设计来预测MDS-UPDRS分数特性的基础上,从信号中提取记录在英国《金融时报》的任务。英国《金融时报》的任务是常用来评估PD患者的运动动作迟缓。在这个任务中,受试者被要求重复利用他们的食指拇指尽快。用于得分前10运动。

的开发方法获得的数据来自10个健康志愿者和36 PD患者92年创建一组观察一系列的英国《金融时报》得分介于0和4 a级三个SMDs-according MDS-UPDRS标准(表1)。然而,患者得分MDS-UPDRS英尺4的任务是立即检测到他们所以的系统无法执行的任务。它既不可能也不需要包含在后续分析。删除那些观察导致一组86观察用于进一步的分析。健康志愿者/ PD病人状态和开/关药物地位并不与本研究的目的相关。

SMD共识分数被定义为每个观察通过三个SMD的平均分数四舍五入为最接近的整数。之间有一个良好的水平的协议的个人得分三个smd和smd共识分数,所反映的Goodman-Kruskal伽马索引(,,)。然而,所有smd并不总是一致,反映在一些Goodman-Kruskal伽马指数之间获得个人分数(),这证实了SMD共识的需要分数。我们承认更多的SMD有助于提炼SMD共识分数。

第一次时代原始加速度计信号自动连续将加速度计信号分解成单独的英国《金融时报》的动作。这个时代的成功率。然而,两个参数必须适应手工颤抖PD患者和那些分数3,通常有迟疑或停止运动。这个问题可能最终解决包括接触开关来演示食指和拇指指尖之间的身体接触在每个试验。然而,使用这种方法,一些调整仍将所需试验识别当病人在分开手指(即有困难。、冻结)。因此,尽管当前系统可以识别单个手指的动作准确性99%人口正在考虑,我们承认,实现100%的准确率将需要额外的发展无论是在硬件和软件水平。这是一个必要步骤,使这个工具可用于日常临床实践。设在原始信号及其时代,获得了SMD共识的0和3,介绍了数字2和3,分别。

18英尺任务运动特性已定义和提取时代加速度信号捕获大部分英国《金融时报》运动特征。那些特性,八个功能是基于MDS-UPDRS临床特点和十accelerometer-specific特性,无法轻易通过目视检查评估。获得的最大和最小值为每个特性在86年观测提出了表2。数据7和8说明的特性获得了SMD共识的0和3,分别。

主要目标是开发一个工具来预测目标MDS-UPDRS分数从英国《金融时报》任务运动特性和确定哪些十八特性最佳预测MDS-UPDRS英尺分数由三个独立smd的基础上相应的录像。自全球模型训练的观察,其预测性能无法评估。为了估计,分析交叉验证的方法是使用和预测分数是86年获得的观测。全局模型的预测性能估计通过比较这些连续预测SMD共识的分数。为了计算的一些性能指标,连续预测离散使用阈值(0.5、1.5和2.5)。这些离散分数是第一个用于计算Goodman-Kruskal伽马指数测试之间的关联强度的SMD共识分数和预测分数。的值获得,这类似于获得的个人得分之间的SMD,范围从吗来。SMD共识之间的命令列联表分数和分数的预测提出了表4。大多数观察对角线上,对应于相同的值的预测和SMD共识得分。此外,预测之间的最大偏差和SMD共识分数是1意味着病人的SMD共识得分2在课堂上有时是不是1或3但从来没有在课堂上0。

为了计算敏感性、特异性、准确性,中华民国的AUC,顺序分类问题是重新定义为三个二元分类问题。ROC曲线以及其AUC为每个二进制分类计算。图10介绍了ROC曲线获得第二(即分类任务。区分英尺得分0 - 1和2 - 3)。auc在0.919和0.970之间。这意味着一个观察与给定SMD共识得分将获得预测得分高于观测分数降低SMD共识在大多数情况下(> 92%)。敏感性和特异性从离散分数计算三个二元分类问题。在未来的工作中,这些阈值可以优化包括更多的观察。确实可以识别这些阈值进行平滑ROC曲线获得了大量的观测,通过优化的灵敏度和特异性。这些阈值也可以通过选择不同的误分类的“成本”。包括更多的观察也可能会增加模型的预测性能。然而,本文的目标是证明这种技术是适应和适合的预测MDS-UPDRS分数。未来的工作将增加观测的数量来提高模型的预测性能。

交叉验证期间,特征选择进行了86次。相关的特性,被选为在大多数迭代(表6)都在构建全局模型的选择。这些特性是相同MDS-UPDRS提出的Dfreq,Afreq,Hesits,和停止。根据指令,smd必须量化可能放缓的基础上的视觉分析病人的运动性能,例如。的Dfreq特性描述了这个可能,可以放缓,此外,给该指数出现放缓。slTopen,slAclose,Aopen,和slAopenaccelerometer-specific特性不容易被量化的目视检查。可能的递减幅度(摇摆)没有被选中作为得分的相关特性预测的三个主要标准之一时,应考虑得分根据MDS-UPDRS得分说明(表1)。为了更好的解释这个发现,这将是有用的评估频率振幅衰减标准被SMD得分英国《金融时报》的任务。这里的数据不允许测试。事实上,SMD给出的分数是基于任何三个标准的存在,但是SMD并不要求报告标准是(被)为每个给定的分数。因此,可想而知,的重量递减幅度英国《金融时报》的评分标准是相对较低的SMD和该算法。另一种解释是,这个特性差异被认为是由SMD和基于计算机的方法。在这种情况下,一个人应该考虑计算不足震颤或过快的动作,或者它可能是代表在另一个accelerometer-specific特性等slAopen由于加速度计测量的本质是不同于人类的眼睛。并不是因为预测算法不使用递减的角度作为一个预测变量,这个功能不应该用MDs中评估。基于重力感应装置可能无法代表这个特性在某种程度上可以帮助预测UPDRS评分。这就是为什么其他功能也使用,因为它们可能有一个更大的内在能力代表电机特性用来预测MDS-UPDRS分数。MDS-UPDRS特性之间的差异,因此选择模型可以被解释的。首先,系统允许的量化特性,无法检测到视觉分析;另一方面,视觉分析允许考虑整个运动时加速度计只总结成十八特性。第二,统计预测模型客观地结合了所有相关的特性而很难同时关注所有运动特性通过简单的目视检查。

由于开发工具是低成本、易于使用的日常临床实践中,它显示了很好的预测性能,它可能被用来作为一个支持决策的工具。MDS-UPDRS的其他任务可以很容易地集成在工具中,因为只有特征提取算法为每个任务而适应模型自动计算基于新的数据集。对于每一个新病人执行MDS-UPDRS任务,提取的相关特性将使用返回的观察工具。顺序逻辑回归模型将计算一个MDS-UPDRS分数从这些特性的值。由于模型的预测是连续的,它比5点评分系统更为敏感。它可以被一个有价值的资产评估疾病的发展和治疗功效,可以帮助SMD在模棱两可的情况下做出决定。

确认

的研究中,比利时是一个研究员j . Stamatakis基金研究行业和农业(FRIA)。j·克莱莫和g . Garraux研究员和高级研究员比利时国家科学研究基金(FRS - FNRS),分别。