使用动态时间扭曲的可行性来测量电机在帕金森病

文摘

本文的目的是调查使用动态时间扭曲的可行性(DTW)方法来测量电机在先进的帕金森病(PD)。数据收集从19 PD患者尝试腿敏捷运动与运动传感器测试他们的脚踝一次和多次后政府150%的每日正常剂量的药物。包括22名健康对照组的实验。三个运动障碍专家评价患者根据治疗反应的运动状态量表(TRS)使用记录的视频实验。DTW-based电动机状态距离得分(DDS)建成使用加速度和陀螺仪信号期间收集的腿敏捷运动测试。意思是DDS显示类似的趋势意味着TRS分数在测试场合。DDS是能够区分了PD患者和运动状态。DDS能够分类精度好的运动状态改变(82%)。PD患者显示出更多的应对药物选择使用TRS规模和最相关的DTW-based特性TRS分数了。有个人DTW-based特性确定为每个病人。 In conclusion, the DTW method can provide information about motor states of advanced PD patients which can be used in the development of methods for automatic motor scoring of PD.

1。介绍

帕金森病(PD)是一种慢性进行性疾病,其特征是电动机和nonmotor症状影响病人的生活质量1,2]。运动症状现象,比如地震,刚性,动作迟缓。在PD的高级阶段,电动机的PD患者三种状态之间的波动:“,”“,”和“运动障碍。”“关闭”状态是当药物效应不足会导致患者出现震颤麻痹症状,而在“”状态,缓解症状的发生由于足够的药物治疗效果。“与运动障碍”是一个状态,病人由于大量药物不自主运动的经验。运动障碍都可以发生在响应浓度增加和减少之后,突然“关闭”状态(3- - - - - -5]。

治疗PD的临床检查指导下使用等级量表。最常见的一个是统一帕金森病评定量表(UPDRS) [6]。UPDRS第三部分用于临床评分的运动症状。另一个规模用于评估电机在PD治疗反应规模(TRS) [7]。然而,等级量表受到内部和interobserver可变性;他们不能够捕获到不断变化的症状。病人需要物理访问诊所的运动症状评分。临床评分很少完成,不包括国内事件,因此不能提供一个完整的图片的病人的情况。这是有问题的,因为它们的运动状态波动从白天时间8]。

方法连续和自动PD电动机的发展状态评估已经完成在各种研究[9- - - - - -11]。不同的数据和知识的方法被用来提取信息等的开发工具。临床评估PD症状是由临床专家直观地观察速度,节奏,根据等级量表和程度的运动。PD症状可以体现在不同的方向和程度取决于病人的运动状态。换句话说,当PD患者,,或运动障碍的,他们可能实验相似的任务,但在不同的振幅和频率。因此,记录信号的重复任务尝试在不同运动状态可以是不同的,他们的长度和频率各不相同。这可以反映在测量信号的相似性记录来自相似的任务,但尝试在不同的运动状态。一种方法测量信号的相似与不同长度和频率动态时间扭曲(DTW)方法。

DTW最初是在1960年代引入的,最初流行的语音识别(12)和时间序列数据挖掘。这是一个技术用于两个时间序列之间找到最优排列(13]。在金融、应用DTW被用来找到相似的历史映射的子序列和预测是最相似的子序列(14]。

先前的研究[15- - - - - -18)采用DTW方法部分的信号,其中部分匹配与一个预定义的参考模式。Ghassemi et al。15)使用该方法的两种变体在不同实验的PD患者行走步态分类。实验包括直走,异构评价范式,包括行走与检查方法。他们用这种方法实现高精度细分所有类型的步态序列。巴斯et al。16)分段步态信号从日常生活活动成单个步骤的进一步计算步骤参数。他们使用陀螺仪在运动鞋和使用DTW方法识别步骤在行走活动的开始和结束。他们实现了97%的识别率的步骤。巴斯(17)开发了一个移动系统评价步态障碍。作者使用了一个多维子序列DTW方法从步态测试中提取单一的进步和自由的行走。他们使用一个预定义的步幅模板来找到一个匹配模式PD患者的步行信号。他们收费都取得了良好的识别实验。

DTW在PD还用于匹配的语音样本。维卡斯•夏尔马(18]使用DTW区分PD患者和健康对照组,取得了高DTW-based匹配百分数为80% PD患者和健康对照组为72%。此外,Adame et al。19)使用DTW方法在时间去测试区分健康对照组(拉),早期PD,先进的PD患者。他们连一个可穿戴的惯性传感器单元的背部PD患者和健康对照组,指示他们与拖轮的测试实验。使用这种方法的结果表明,坐站的状态转换,将为健康对照组和早期PD患者和先进的PD患者明显不同。PD症状的评估,研究的目的是提出一个方法基于DTW监测步态的变化轨迹。他们使用运动传感器来记录髋关节和膝关节的倾向(沥青)4 PD患者和6个健康对照组在散步。他们比较健康的主题和PD患者之间的平均距离之间的距离也实验前后的PD患者药物治疗。发现这种方法可以用于辨别健康的从一个受损的步态。此外,发现这种方法是有用的监测PD患者的步态模式的变化前后的药物。然而,受试者的数量少,分数的意义从没有调查,结果和原始信号的实验没有用于DTW行走。

尽管如此,因为有一个高的风险下降期间走在老PD患者,这项研究侧重于使用腿敏捷测试作为一个更好的选择评估的运动症状。先前的研究显示腿敏捷包含重要的信息关于疾病严重程度20.,21]。测量电动机的PD患者在此前的一项研究[10),作者有不同的技术用于提取24特性包括在发展中PD电机状态的评估方法。然而,DTW方法不包括作为特性的一部分,因为使用这种方法用于测量电机的可行性尚不清楚。此外,据我们所知,DTW没有检查的有效性测量电动机在PD使用原始信号的实验。这种方法提供了一个测量信号的相似性不管他们的长度和频率。使用这种方法用于测量电机状态的可行性提供的信息可以用于PD的电动机自动评分方法的发展。

本研究旨在调查的可行性和在多大程度上使用DTW距离测量计算的方法来评估先进的PD患者的运动状态的课程UPDRS-based腿敏捷运动测试。大纲所提出的方法是显示在图1。

为此,从DTW-based中提取信息的3 d运动传感器信号之间的距离实验记录在不同的运动状态,DTW-based电动机状态距离得分(DDS)是发达国家和其属性。调查DDS是否能检测到电机状态类似于它是如何评估TRS, DDS与TRS得分的均值的均值在测试检查。健康受试者的DDS的趋势是包括在内。此外,方法在定量马达的力量是追究PD患者药物最敏感。患者选择通过他们的TRS分数,和最丰富DTW-based措施/特性对其运动状态识别和评估。找出DDS是否明显不同PD组患者之间在不同运动状态得分TRS,意味着DDS跨组患者和健康者的调查。使用开发的可行性DTW-based分数分类的运动状态改变了。

2。材料和方法

2.1。参与者

在这项研究中,19个先进的PD患者经历电机波动就召集了一个观察研究,他们都被赋予了一项单一剂量的药物在医院在乌普萨拉,瑞典(22]。22名健康对照试验相同的测试8倍。这项研究是在一个中心和地区伦理审查委员会批准在乌普萨拉,瑞典(参考号:2015/100)。病人的特点如表所示1。

2.2。实验装置

受试者把脚踝3-axial加速度计和陀螺仪的采样率102.4赫兹,加速度计范围+ / -16 g,陀螺仪的范围+ / -2000 dps。他们尝试腿敏捷测试,坐在直背椅,把双脚放在地上,利用一个脚(右脚和左脚)和尽可能快10倍。UPDRS三世26项定义的测试是敏捷的PD患者的脚攻评估电机状态的严重程度的评估。传感器数据的时间点( , ,和轴的加速度计和陀螺仪)收集并保存。脚敲击信号被分割识别中的运动加速度数据 - - - - - -轴。测量实验的细节通过运动传感器,数据预处理,分割中所描述的一项研究[10]。提取的片段组成的三维加速度计和陀螺仪的数据被用来计算在下一节中描述的功能。

PD患者的腿敏捷电机测试实验在不同的时间间隔为15试验。第一个实验是在50分钟前服用剂量。第二个实验是对后150%的日常管理(0分)。左旋多巴的剂量管理是遵循个人剂量反应的患者。这是探索运动状态变化从(-50分钟内)良好的机动性和/或运动障碍的状态(预计在20分钟),回到关闭状态。书面知情同意。下一个测试大约在20、40、60,80,110,140,170,200,230,260,290,320,350分钟后剂量管理。健康对照组实验测试的8倍。

实验的视频记录。分段数据同步的视频。所示的视频的顺序是随机的,以三个运动障碍专家评级实验的病人不管时间点的药物。临床专家评价的整体移动病人,使用治疗反应量表(TRS) [7]从3(非常“,”严重的帕金森症)为0(正常流动),3(严重的运动障碍,严重的舞蹈症的运动障碍)。他们评价运动障碍的严重程度在0(无运动障碍)到4(严重的运动障碍)6),和一些物品的UPDRS第三部分包括UPDRS # 27(因椅子),UPDRS # 29(步态)和UPDRS # 31(身体运动徐缓)他们每个人评价等级从0(正常)到4(严重)。

除了腿敏捷测试,实验的PD患者包括步行和手旋转。在步行实验,受试者进行了2.5米走。手旋转实验期间,受试者进行交替都会手,持续20秒。的应用DTW是步行和手旋转数据当第一个测试是作为测量的基准信号所有其他测试的距离,还在每个连续测试信号的距离测量。取得了最好的效果在使用第二种方法在腿敏捷测试数据。

2.3。提取DTW距离的措施

不同的信号从脚中提取为PD开发测试受试者流离失所,他们有不同的长度和频率。计算每两个数据点之间的欧式距离的两个时间序列并不是一个理想的方法寻找两个信号之间的距离,因为它不提供不变性扭曲不同长度的时间序列。相反,为了测量这两个连续的测试时间序列之间的距离,DTW用于动态调整它们之间的度量为了找到更好的对齐(23]。DTW的细节可以在基奥的研究和Ratanamahatana24]。该算法可以在两个步骤进行描述。首先,它发现的两个时间序列之间的距离( )( )和( )( )导致一个矩阵一个维度的 ,包含之间的距离和 。内的距离矩阵然后计算这两个元素之间的距离之和组成的系列和 。最后,最小相邻元素的矩阵计算(24]

图2是一个示例,演示了加速度信号收集的 - - - - - -轴在试验一英尺丝锥在第一间隔(测试1、术前用药法、蓝色)一起,尝试在第二个间隔(测试2,药物的时候,红色)。图2 (b)时显示了原始信号图2 (c)显示两个时间序列是扭曲的。在图2 (d)包含距离,距离矩阵和最优路径。这个数字说明了只有一个水龙头审判为了清晰。完整的实验计算的距离测量脚攻。

2.4。创建数据集

有六个信号记录由原来的脚运动传感器开发测试每次进行这个测试。这些信号是 , ,和代表的加速度脚攻的 , ,和轴和 , ,和代表陀螺旋转的腿 , ,和分别轴根据右手法则。除了这些信号,加速度的大小( )在米/秒²和方向的大小( )°/ s计算使用

之间的距离度量计算每两个连续测试使用提到的八个变量。图3礼物准备数据集的方法。

让 , ,和是两个信号的DTW计算相同的轴两个连续测试,然后下面是有效加速度以及陀螺仪信号。

方程(4),(5)和(6)加速度值的计算以及计算时的陀螺 , ,和值。计算距离使用单个轴信号和加速度的大小和方向是为了捕获所有恶化和个体差异的方向以及在他们的整体重量。通过使用这些信号,16个特征计算。

添加了两个特性后计算的均值陀螺仪和加速度的大小距离左右脚的措施。这是检查如果加速度的均值之间的距离和平均陀螺仪信号的两只脚可以提供运动状态信息。

期间由于腿部运动是沿着脚敲实验 - - - - - -轴在不同运动状态,脚攻可以不同的加速度朝这个方向;距离测量的均值 - - - - - -计算轴的左右脚导致最后的特性。可能的方向的差异和研究了为每个单独的脚。最后,总共有19个特征。

的一个示例数据集包括一个病人提出的措施表2。

指表2,第一行代表了两个连续的测试测量的距离计算。每个单元格中的值表示的距离测量计算出这两个各自的测试和使用信号在每一行的头。信号主要在两组。八个信号正确的(R)和八个左脚(L)。同时,每个脚的信号在两组加速度信号和方向信号。Acc代表加速和Gyr代表陀螺仪数据。都包含在单个轴信号和他们的大小( )。三排在表2底部代表特性意味着权利和左脚的加速度 - - - - - -轴(Mean_RL_Acc_Y),意思是左右脚大小加速度(Mean_RL_M_acc),意思是左右脚大小方向(Mean_RL_M_gyr),分别。观察的总数是229年和153年对患者和健康受试者,分别。

2.5。统计分析

19计算特性被用来提取电机状态得分(DDS)的距离。距离确定哪些措施反映电机状态的更多信息以TRS得分,快进的分段特征选择方法的方法是第一次使用TRS在哪里设置为响应。选择分段法的建议是基于以前的研究发现这是一个不错的选择来选择分析方法的特性和改善性能(25]。因为有一个高三个临床评分者之间的协议在TRS量表( )评估在前面研究[10),这种规模的选择方法被用来作为响应。该方法应用于数据集包含所有的病人。提取包含大多数可变性的分数从所有功能,主成分分析(PCA)是应用于所选功能。PCA方法降低特征空间的维数通过识别最和最不重要的变量(26]。为此,构建一个矩阵总结变量之间的关系。然后,矩阵是分为两个独立的部分:方向和大小。特征值作为衡量数据的协方差系数与特征向量提供轴大小。排名的特征向量在特征值,最高到最低,显著的主成分的顺序。两个主成分得分(PC)特征值大于1,包含0.53%的总变差是保留。第一个PC的向量的分数排名,然后新TRS规模的范围(3 + 2)导致DDS每个病人的数据集。平均每个测试间隔DDS场合 置信区间的平均为每个测试场合了。这是调查的趋势意味着DDS在捕捉运动状态的测试场合与趋势意味着TRS分数。健康对照组,特征提取。以来逐步不能应用于一组与一个值作为目标,第一主成分是用于分析。

此外,以至于个人DTW-based特性匹配单个病人的TRS分数了。为此,七个病人显示药物反应(从回到关闭)。确定最相关DTW-based每个病人,他们的功能是作为逐步选择方法的输入他们的TRS分数设置为响应。此外,最重要的相关系数确定DTW-based TRS得分是检查功能。

DDS中分离的力量分数的不同运动状态TRS使用方差分析进行了研究。为此,PD组患者之间的意思是DDS在不同运动状态进行评估。

评估DDS结果差异左右腿的PD患者主要影响在右边或左边, - - - - - -测试进行的第一个电脑选择特征为每个单独的腿。

使用DTW,连续两个信号之间的距离,记录在不同的运动状态进行了计算。因此,DDS的力量之间的变化识别得分的运动状态的病人TRS检查。增加/减少的数量在TRS成绩从一个测试下计算每个病人。为此,主要从次要TRS TRS分数减去分数,例如,如果第一个测试TRS得分+ 1,接下来的测试成绩+ 2,然后改变计算的数量 。相应的计算所有dds措施TRS的变化,有211以来观察左TRS差异无法衡量过去测试。此外,有12个缺失值被排除在外,导致199年观测数据集。几个分类器研究,本研究提出两个表现最好的:(我)支持向量机(SVM)进行分类,发现超平面,最大化类间的边缘(27]。支持向量机使用一个内核方法技术转换数据之间找到最优边界可能的输出。在这种情况下,一个共同的内核函数,径向基函数内核,使用伽马值0.0和一个ε值为0.001(2)决策树(DT)是一种直观的模型决策基于评估的特性值的序列(28]。它使模型在一个树结构的数据分解成较小的部分,在叶节点代表的决定或分类。在这种情况下,训练例子(批处理大小)的数量设置为100,最小总重量的实例在一片叶子被设置为2,没有设置限制树的深度10倍crossvalidation是用于分类器在整个数据集分为10组;9集调用了培训和一套测试,迭代100次。分类精度、精度、召回和 - - - - - -分数报告。

3所示。结果

3.1。为所有的病人选择DTW-Based特性

19的计算特性,使用分段法,五个特性被发现是最相关的TRS规模,包含最多的信息相关的运动状态。三个特征是措施的距离使用右脚加速度数据计算 - - - - - -轴(特征1), - - - - - -轴(功能2),并使用左脚加速度数据 - - - - - -轴(3)的特性。两个附加功能的距离措施使用左脚陀螺仪的数据计算 - - - - - -轴(4)特性和左脚的大小陀螺仪数据(特征5)。所选特征表明,计算距离所有单轴陀螺仪和加速度措施相关的运动状态。

3.2。对DDS的评价

3.2.1之上。DDS在测试场合

调查程度上意味着DDS同意所有PD患者的TRS分数,意味着DDS和TRS的分数计算在所有测试场合,见图4。在这个图中,因为DDS之间计算每两个连续测试,测试之间的DDS是可视化。最后一个测试,测试期间被排除在外,因为没有足够的数据分析。大量的 - - - - - -轴是时间点测试实验时从第一(基线)测试场合,这是大约50分钟前剂量管理,用-50。后续测试场合0分钟,注射时,后续的场合,直到320分钟。测试的数量( )如下:-50(19),0(19),20(19),40(19),60(19),80(19),110(19),140(19),200(19)、230年(18),260(15),290(13),320(11)和350(1)。小数字吗 - - - - - -轴是指中间的实验时间点平均DDS的所在位置。

当描绘的意思DDS与TRS在时间点之间有一个错误的±1 DDS和TRS第一个到最后一个间隔。DDS PD患者的总体趋势是类似于TRS表明DDS的趋势提供了PD患者的运动状态相关的信息。这可以具体如图4测试之间的-25/-50和140/155。与平均DDS的PD患者和平均TRS,意味着健康对照组DDS显示不同的趋势。

3.3。DTW-Based措施选择的病人

表3说明了选择病人,DTW-based特性,选择的特性,以他们的TRS成绩的相关性,相关性和意义(值)。大部分的功能都来自一个轴和一个脚,除了他们两个(从右脚陀螺仪的大小;意思是加速的 - - - - - -轴从左、右英尺)。功能显示介质高相关性(0.55 - 0.83)各自的TRS分数,和所有重要的除了两个(值= 0.12和0.07)。选择功能的相关性最高为0.83的大小方向从右脚中提取。它还可以看到表3对于这些患者经常选择左脚比右脚。然而,病人的总数还不足以得出一个推论。此外,因为它是在先前的研究中,调查PD不对称没有影响腿的灵活性的性能测试(10]。

在调查为最敏感最相关的DTW-based特性PD患者根据TRS,发现有不同的特性。

分数从选中的叠加DTW-based特性(蓝线)和TRS分数(红线)的测试场合如图七个病人5。

如图5,DTW-based特性同意各自的TRS分数反应的患者。根据这个图和表中给出的相关性3,最好的匹配显示患者ID 7 ( )。最弱的DTW-based特性和TRS成绩之间的相关性是病人ID 13 ( )。尽管低相关,DTW-based和TRS分数为这个病人有类似的趋势。另一方面,患者ID 33有很好的相关性( ),但它不是重要的因为在临床专家的评级TRS响应并不体现在药物管理测试2,而DTW-based特性显示有一些反应在早些时候间隔(实验3)。这个特性(Acc_Z-axis)可能会捕捉到运动状态变化在动 - - - - - -轴是不可见的临床专家的眼睛。患者ID 41和ID 15,即使意味着TRS反应并不大,DTW-based分数匹配与各自的TRS分数。提取DTW-based特性使用加速度或单个轴陀螺仪信号显示承诺测量PD的运动状态。结果表明,该方法能够在个体层面提供运动状态信息。然而,本研究响应PD患者的数量是有限的和DDS需要计算大量的此类案件。

3.4。分析不对称的DDS PD患者

所有PD患者不对称运动症状;九PD患者的影响主要是在右边和左边10 PD患者。在PD患者的两组,第一个PC左翼和右翼的两腿之间没有明显不同。右派和左派的值是1两组PD患者的影响。这表明PD并未反映的不对称执行腿敏捷测试也不是被DDS,以第一个PC。

3.5。意思是DDS与TRS组和健康对照组

DDS的力量来区分PD组患者在不同运动状态进行评估。图6显示了评估的结果意味着DDS测试试验的患者之间的差异在不同的运动状态。DDS值的均值从左到右为每个组为-0.91,-0.54,-0.32,-0.03,0.02,0.69和0.78。DDS均值显著不同患者之间的TRS 1分(轻度运动障碍)和TRS患者得分为0,1,2,3本值为0.02, , ,和0.02。此外,意思是dds组患者之间明显不同的TRS得分2和2 (值= 0.02)。这表明DDS可以单独的PD患者在“关闭”状态的“在”状态。此外,如图5的意思是DDS健康对照组(0.02)类似于意味着DDS组患者TRS评分(0)(-0.03)。这表明该方法在识别的能力/正常流动,因为它是健康受试者所示,经验丰富的国家,取得了患者临床医生。

3.6。分类的运动状态改变

DDS能够得分的运动状态改变的TRS分类的准确性使用SVM和DT算法82%和74%,分别。分类结果精度等的细节,回忆,和 - - - - - -分数展示在表4。DDS的分类能力的进一步检查计算其他UPDRS III项目的变化。

结果表明,DDS能够分类评估的运动状态改变TRS和UPDRS III项目。

4所示。讨论

在这项研究中,四个主要分析了调查的可行性和DTW方法能够提供电动机州先进PD的信息。(i)对TRS DDS的趋势是检查分数的测试场合之前的药物药物后的15倍;(2)个人DTW-based特性匹配个人的TRS分数PD患者识别;(3)相比,意思是DDS PD组患者之间不同运动状态由临床专家得分时,包括健康受试者;(iv)的分类能力DDS在检测运动状态的变化是检查。

新奇的方法在本研究提出,我们之间的距离计算每两个连续的测试实验,在/运动障碍的,穿了运动状态通过应用DTW方法原始信号PD患者的腿敏捷性实验。第一个测试的相对距离措施提供信息的运动状态的病人如何改变。DDS的趋势对PD患者和TRS成绩测试场合很好地匹配到第六的药服用后测试,而意味着DDS的健康受试者通过对称不同分化的趋势。当调查19个人DTW-based特性之间的最佳匹配计算为每一个病人,我们发现患者显示响应TRS,有一个匹配的特性与TRS分数。的不同特性可以参考的多重空间PD症状体现在不同的四肢,不同的区段,方向。这也表明,PD患者需要个性化的运动状态评估时需要通过使用机器学习算法来完成一套完整的数据驱动和知识措施提供给他们。调查DTW进一步检测电动机状态以TRS得分的变化提供了良好的精度。PD不对称的结果分析表明,它并没有影响到腿敏捷被DTW测量性能。这个结果符合我们之前的研究在PD患者的两组第一个电脑不是每条腿之间明显不同。TRS得分的差异的病人在这个研究并不大。 The mean DDS differentiated the patients at On/dyskinesia and the patients at Off states well (Figure6)。然而,患者在美国的数量更大的TRS分数2和3是不够的。此外,意味着健康控制DDS匹配与DDS TRS PD患者的平均得分为零,说明该方法在匹配的力量PD患者和健康对照组的正常流动。分类的DTW检测电动机的变化状态很好。然而,并非所有的PD患者在这个研究显示响应药物;因此,状态变化也不大。这应该包括许多检查响应PD患者根据TRS分数。

DTW步行和手上的结果应用旋转信号不一样有前途的报告摘要腿敏捷性。这可能是因为应用DTW冗长的信号可能不是最佳反映的距离提供电机状态的信息。提取运动状态信息在这项研究中,每一个连续信号之间的距离计算。另一种方法是设置第一个测试基线测试当PD患者被认为是在州和计算其他测试基线之间的距离。然而,这种方法的考试没有前途。研究其背后的基本原理,我们发现TRS第一测试分数的PD患者没有足够小的DTW方法为了捕捉这个测试之间的差异,后者测试。的吸引力方面DTW方法在这项研究中,数据驱动的分析提取距离测量连续测试,不管他们的长度和频率,可以在PD提供一个重要的信息状态,即电机的状态。这项研究的结果符合推荐的是什么Shokoohi et al。29日]。他们调查两种方法计算多维DTW得分。在一个方法命名为“依赖”,每一对对应的时间序列之间的距离(之间 , ,和计算轴),而在“独立”的方法,每个维度的得分是计算( 整个测试轴)独立。推荐,左翼和右翼的上层/下肢实验,选择独立DTW得分计算将为分类提供更准确的结果。

之前的研究(10)提供高收敛效度(0.81)进行自动评分的运动状态使用机器学习算法。24使用各种统计特征提取方法和十个特性被选为最相关的TRS。选定的特征之一是近似熵的大小方向计算方法,考虑到信号的时间变化(30.]。可能感兴趣的调查的重要性计算DTW-based特性以及这些特性与TRS和调查是否包含此功能的聚合效度加起来的机器学习方法。

这个工作是提取的限制措施需要准确的距离presegmented信号。这是因为计算距离的端点使用DTW方法措施两个信号不能主要变量。这在很大程度上可以影响计算测量是讨论工作的Shokoohi et al。29日),我们尝试用步行和手旋转数据。在这项研究中,进行了分割视觉将信号从最大两秒开始前和结束后的任务。评级机构之间的协议是0.82,表明专家并不完全同意得分PD患者的运动状态。两个临床医生评价到关闭状态比运动障碍也许是原因的范围意味着TRS分数随时间向断开状态。

未来的研究中,研究该方法在不同运动状态区分PD患者需要更多的PD患者运动状态的完整范围3 + 3的评级。此外,大多数反应患者调查方法和识别的原因为他们个人的外表DTW-based特性需要使用更多的响应PD患者检查使用这种方法。扩展这种方法被用于更大的数据集可能会证明它是足够使用的数据只有一只脚量化运动状态。额外的传感器数据如压力测量可以用来进一步改善的方法。这也被斯坦梅茨等人提出了一项研究。[31日]。另一种DTW方法可以隐马尔科夫模型(HMM)用于评估运动所提出的质量Rybarczyk et al。32]。他们动作的质量评估使用DTW和嗯测量身体关节角。

5。结论

使用DTW方法,计算距离的措施能够评估电机状态类似于视觉评估使用TRS由临床专家。确定DTW-based个体特性匹配的电动机状态响应患者。评估的结果DTW-based分数在不同运动状态显示,这种方法可以区分病人在州的州。DTW-based分数还显示高分类权力在TRS分类运动状态改变时,以及其他等级量表的得分的变化。

总之,这项研究的结果显示是可行的使用DTW方法提取PD运动状态的信息。使用DTW方法所提供的信息可以包括在自动评分方法的发展先进的PD运动状态。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

伦理批准

病人的数据用于这项工作进行评估和批准的区域伦理委员会在乌普萨拉,瑞典(协议编号2015/100)。他们是按照6个(没有法律。2003:460)规定的研究涉及到人们的道德测试应用程序。

信息披露

提出了本研究的早期版本的研讨会在达拉大学复杂系统与微数据分析。

的利益冲突

作者宣称没有利益冲突。

确认

由于哈坎·Askmark将Sten Magnus Aquilonius,拉杜Constantinescu评级病人的症状。这个研究是由瑞典知识基础(瑞典),Vinnova(瑞典),Acreo(瑞典),Cenvigo(瑞典),Sensidose(瑞典),乌普萨拉大学(瑞典),和达拉大学(瑞典)。

补充材料

图1:比较DDS方法提取手旋转数据跨组的患者在不同的运动状态由临床TRS得分。在 - - - - - -轴,负值意味着关闭状态和积极的价值观意味着在国家。是一群健康的主题。团体之间的DDS没有明显不同。图2:比较对DDS意味着从行走中提取数据跨组的患者在不同的运动状态由临床TRS得分。在 - - - - - -轴,负值意味着关闭状态和积极的价值观意味着在国家。是一群健康的主题。团体之间的DDS没有明显不同。图3:DDS信号之间的分数计算每个测试与第一次测试(基线)使用腿敏捷性数据。意味着DDS PD患者(虚线,蓝色线)与平均TRS分数(直,红线) 置信区间的平均为每个测试场合。没有意思是DDS的病人,平均DDS为健康对照组和平均TRS分数明显不同。意思是DDS没有显示类似的趋势意味着TRS分数。(补充材料)

引用

1. g . DeMaagd和菲利普·帕金森病及其管理:第1部分:疾病实体,风险因素,病理生理学,临床表现,诊断,”P & T:规定管理的同行评议的期刊,40卷,不。8,504 - 532年,2015页。视图:谷歌学术搜索
2. f . m . Navarro-Peternella和s . s . Marcon”,一个人的生活质量与帕金森病和时间之间的关系的进化和疾病的严重程度,”航空杂志上Latino-Americana de Enfermagem,20卷,不。2、384 - 391年,2012页。视图:出版商的网站|谷歌学术搜索
3. j·g·纳特、s . t . Gancher和w·r·伍德沃德”左旋多巴导致电机波动的抑制作用,”神经学,38卷,不。10日,1553 - 1557年,1988页。视图:出版商的网站|谷歌学术搜索
4. w·Maetzler j . Klucken m·霍恩,“临床对基于技术工具的发展管理帕金森病,”运动障碍没有,卷。31日。9日,第1271 - 1263页,2016年。视图:出版商的网站|谷歌学术搜索
5. m . Merello a·j·李,“Beginning-of-dose电动机恶化后急性左旋多巴和阿朴吗啡在帕金森病,”《神经学、神经外科、精神病学,55卷,不。11日,第1026 - 1024页,1992年。视图:出版商的网站|谷歌学术搜索
6. c . g . Goetz s Fahn p Martinez-Martin et al .,“运动障碍Society-sponsored修订统一帕金森病评定量表(MDS-UPDRS):过程,格式,和clinimetric测试计划,”运动障碍,22卷,不。1,41-47,2007页。视图:出版商的网站|谷歌学术搜索
7. d . Nyholm a . i m·尼尔森Remahl: Dizdar et al .,“十二指肠注入左旋多巴单一疗法与口服复方用药在晚期帕金森疾病,”神经学,卷64,不。2、216 - 223年,2005页。视图:出版商的网站|谷歌学术搜索
8. d . Isacson k . Bingefors i s Kristiansen和d . Nyholm”波动函数相关的生活质量高级帕金森病:十二指肠注入左旋多巴的影响,“Acta Neurologica Scandinavica,卷118,不。6,379 - 386年,2008页。视图:出版商的网站|谷歌学术搜索
9. t . t .嗯,f·m·j·斯特区Pichler et al .,“帕金森病评估从一个戴可穿戴传感器独立生存的条件:深整体学习和可视化,”2018年。视图:谷歌学术搜索
10. s . Aghanavesi f . Bergquist d . Nyholm m . Senek和m . Memedi”运动传感器评估帕金森病的运动症状在腿敏捷测试:左旋多巴的挑战,结果”IEEE生物医学和卫生信息学杂志》上,24卷,不。1,第119 - 111页,2020。视图:出版商的网站|谷歌学术搜索
11. m·d·Hssayeni m . a . Burack和b . Ghoraani”自动评估药物治疗的帕金森症患者使用可穿戴传感器,”IEEE 2016年第38届国际会议在医学和生物工程协会(EMBC)奥兰多,页6082 - 6085,美国,2016年8月。视图:出版商的网站|谷歌学术搜索
12. h . Sakoe s千叶,“口语识别,动态编程算法优化”IEEE声学,演讲,和信号处理,26卷,不。1,43-49,1978页。视图:出版商的网站|谷歌学术搜索
13. j·b·唐纳德·c·詹姆斯,“使用动态时间扭曲时间序列中找到模式,”促进会的人工智能,车间在诺里居民区上空发现数据库(AAAI),第248 - 229页,西雅图,佤邦,美国,1994。视图:谷歌学术搜索
14. t·傅f .钟、陆r和c·m·Ng”股票时间序列模式匹配:基于模板和基于规则的方法,”人工智能技术的工程应用,20卷,不。3、347 - 364年,2007页。视图:出版商的网站|谷歌学术搜索
15. n . h . Ghassemi j . Hannink c·马丁代尔et al .,“步态序列的分割在基于传感器的运动分析:比较的方法在帕金森病,”传感器,18卷,不。2,p。145年,2018年。视图:出版商的网站|谷歌学术搜索
16. j·巴斯,c . Oberndorfer, p . Kugler et al .,“子序列动态时间扭曲健壮的方法一步分割使用陀螺仪信号的日常生活活动,”IEEE 2013年第35届国际会议在医学和生物工程协会(EMBC)日本大阪,页6744 - 6747,,2013年7月。视图:出版商的网站|谷歌学术搜索
17. j·g·巴斯,开发和验证一个移动步态分析系统提供在帕金森病临床相关的目标参数2017年,能力大学出版社,埃朗根。
18. 鼓手和r·k·夏尔马”分析声音帕金森病的人使用动态时间扭曲的技术,”智能计算、通信和设备卷,308智能系统的发展和计算书系列,页753 - 759,激飞印度,新德里,2015。视图:出版商的网站|谷歌学术搜索
19. m·r·Adame a . Al-Jawad m . Romanovas et al .,“拖船测试仪器对帕金森病病人使用惯性传感器和动态时间扭曲,“生物医学工程/ Biomedizinische Technik57卷,第1074 - 1071页,2012年。视图:出版商的网站|谷歌学术搜索
20. m . Giuberti g·法拉利,l . Contin et al .,”表征的腿敏捷性帕金森氏症患者,”2013年IEEE国际会议上的身体传感器网络美国剑桥,页1 - 6,马,2013年5月。视图:出版商的网站|谷歌学术搜索
21. f . Parisi g·法拉利,m . Giuberti et al .,“Body-sensor-network-based运动学特性和比较前景的UPDRS评分腿敏捷,sit-to-stand,在帕金森病和步态的任务,”IEEE生物医学和卫生信息学杂志》上,19卷,不。6,1777 - 1793年,2015页。视图:出版商的网站|谷歌学术搜索
22. m . Senek s . m . Aquilonius h . Askmark et al .,“左旋多巴/卡比多巴microtablets在帕金森病的研究药物动力学和蒙蔽汽车评估,”欧洲临床药理学杂志》上,卷73,不。5,563 - 571年,2017页。视图:出版商的网站|谷歌学术搜索
23. c . a . Ratanamahatana和e·j·基奥”,使得时间序列分类更准确的使用学到的约束,”学报2004年暹罗国际会议数据挖掘美国佛罗里达州,伟湖,2004年4月。视图:出版商的网站|谷歌学术搜索
24. e·基奥和c . a . Ratanamahatana”的索引动态时间扭曲,”知识和信息系统,7卷,不。3、358 - 386年,2005页。视图:出版商的网站|谷歌学术搜索
25. f . Javed、i托马斯和m . Memedi”比较的特征选择方法在使用运动传感器数据:一个案例研究在帕金森病,”IEEE 2018年第40届国际会议在医学和生物工程协会(EMBC)火奴鲁鲁,页5426 - 5429年,美国,2018年7月,你好。视图:出版商的网站|谷歌学术搜索
26. m . Ringner“主成分分析是什么?”自然生物技术,26卷,不。3、303 - 304年,2008页。视图:出版商的网站|谷歌学术搜索
27. 即Steinwart和a . Christmann支持向量机,施普林格出版公司,2008年合并。
28. r . Kohavi和j·r·昆兰数据挖掘的任务和方法:分类:决策树的发现,牛津大学出版社,Inc ., 2002。
29. m . Shokoohi-Yekta b . Hu h·金,j . Wang和e·基奥”概括DTW多维的情况下需要一种自适应的方法,”数据挖掘和知识发现没有,卷。31日。1日至31日,2017页。视图:出版商的网站|谷歌学术搜索
30. s . Aghanavesi m . Memedi m·多尔蒂d . Nyholm和j·威斯汀,”验证的方法测量帕金森病相关时间不规则螺旋图纸,“传感器,17卷,不。10日,第2341条,2017年。视图:出版商的网站|谷歌学术搜索
31. t·斯坦梅茨Bonninger, b . Priwitzer et al .,“人类步态与帕金森病的集群使用动态时间扭曲,”2018年IEEE国际Bioinspired情报工作会议(IWOBI)圣卡洛斯,页1 - 6,哥斯达黎加,2018年7月。视图:出版商的网站|谷歌学术搜索
32. y Rybarczyk j·路易斯•佩雷斯•梅迪纳l .惊艳k . Jimenes m·冈萨雷斯和d .指控,”实现和评估一个智能电动机tele-rehabilitation平台”电子产品,8卷,不。1,58页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Somayeh Aghanavesi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。