运动功能障碍的量化和诊断

2024-05-25 Sat
背景与研究动机帕金森病（Parkinson’s Disease, PD）是一种神经退行性疾病，主要影响患者的运动能力，导致震颤、运动迟缓、四肢僵硬和行走平衡问题。这种运动缺陷严重影响患者的独立生活能力和生活质量。据统计，预计到2030年，仅在美国就会有近1.2百万人患有帕金森病，而全球的患者数更是超过1000万人。因此，如何准确评估和诊断患者的运动缺陷是一个急需解决的关键问题。
现有的PD严重性评估方法主要依赖于临床医生的主观观察和经验，通过患者在实验室或诊所中进行特定动作来评估。这种方法不仅受到人为主观因素的影响，且在受控环境中的观察无法充分反映患者在日常生活中的实际运动情况。因此，研究人员亟需一种可靠的、非侵入式的量化方法，能客观地评估帕金森病患者的运动缺陷，从而提供更及时有效的康复反馈。
研究来源与发表信息本文由Fujian Yan、Jiaqi Gong、Qiang Zhang及Hongsheng He四位研究者撰写，并已被IEEE Transactions on Biomedical Engineering接受。其中，Fujian Yan隶属于Wichita State University的计算机学院；Jiaqi Gong、Qiang Zhang和Hongsheng He均隶属于The University of Alabama的计算机科学和机械工程系。研究得到了NSF #2327313和NSF #2129113的支持。
研究方法与实验流程本文提出了一种通过非侵入式可穿戴生理生物传感器获取运动数据，进而采用深度学习模型分析和量化帕金森病患者运动缺陷的方法。该方法包括若干关键步骤和技术创新。
实验流程研究的主要流程分为以下几个步骤：
数据采集（Data Collection）:
实验室数据（Laboratory Data）: 由10名健康受试者完成6种活动（如行走、下蹲、拾物、绘画、瑜伽和积木玩具）的数据收集，使用的传感器包括安装在肢体和躯干上的加速度计和肌电图（EMG）传感器。
临床数据（Clinical Data）: 由8名不同程度PD患者和健康个体进行8个动作的数据采集。
数据预处理:
数据重新采样、重力补偿和归一化处理，使用Butterworth高通滤波器去除重力分量。
数据切片保证输入模型的形状一致。
运动元学习（Learning Motion Primitives）:
通过多层神经网络和字典学习方法发现代表性的运动元实际。
分类和量化:
设计并训练了一个深度卷积神经网络（CNN）模型，通过建立运动元袋（Bag of Motion Primitives, BoMP），量化患者的运动缺陷严重程度。
样本与处理细节实验室数据涉及健康受试者分别在健康状态和佩戴负重装置模拟PD状态下的运动数据。数据包含每个受试者在各活动下分别两次采集的数据。
临床数据包括PD患者完成一系列特定动作的数据，数据被切片为相同长度，保证输入模型的一致性。
创新技术本文的一个显著创新是在运动分析中使用非侵入式传感器数据，通过字典学习和运动元袋模型，实现对原始运动时间序列的高效表示和分类。
主要研究结果状态分为实验室数据和临床数据：
实验室数据：
实验室数据的分类准确率高达93.95%，远高于线性模型（64.86%）和支持向量机（91.35%）。
通过字典学习所获得的运动元成功重构并识别了健康与模拟病人状态的数据差异。
临床数据：
分类准确率高达99.84%，有效区分了健康、轻度及严重PD患者。
混淆矩阵显示大部分轻度患者数据（97.18%）被正确分类，但数据不平衡导致一些误分类。
总结与价值本文证明了在简单运动测量数据中存在显著的运动元，展示了这些元在量化运动缺陷方面的有效性。该方法不仅在预测已知患者数据时表现出更高的准确率，还为在未知患者上的实时诊断和量化提供了可能。
通过利用大规模运动追踪数据，提出基于运动元数量的用户特定量化指标，可以完全取代基于观察的临床评分，并在康复过程中提供实时报告，强化患者的积极恢复效果。这一方法不仅提高了PD病症分类的精度，也为其他需要运动追踪和评估的病症提供了新思路。