基于短期运动任务的多尺度多层次特征评估框架用于帕金森病状态分类
学术背景
帕金森病（Parkinson’s Disease, PD）是第二常见的慢性神经退行性疾病，主要影响65岁及以上人群。随着全球人口老龄化的加剧，帕金森病的患病率预计将从2015年的700万增加到2040年的1300万。目前，帕金森病的诊断主要依赖于临床问卷和运动日记，这些方法耗时且存在较大的主观偏差。近年来，随着可穿戴技术和机器学习方法的结合，研究人员开始探索通过量化运动症状来辅助帕金森病的诊断。然而，这些技术的有效性受到环境设置的影响，难以在现实世界中广泛应用。因此，本研究旨在提出一种有效的特征评估框架，通过短期运动任务自动评估帕金森病运动症状的严重程度，并在现实世界中进行分类。
论文来源
该研究由来自University of Sheffield和Yunnan University的研究团队完成，主要作者包括Xiyang Peng、Yuting Zhao、Ziheng Li、Xulong Wang、Fengtao Nan、Zhong Zhao、Yun Yang和Po Yang。论文于2024年6月21日发表在*IEEE Transactions on Biomedical Engineering*期刊上，题目为“Multi-Scale and Multi-Level Feature Assessment Framework for Classification of Parkinson’s Disease State from Short-Term Motor Tasks”。
研究流程与细节
研究流程
数据收集与预处理
研究在云南省第一人民医院进行，共有100名帕金森病患者和60名健康对照组（25名年轻人和35名老年人）参与。参与者佩戴了Shimmer可穿戴设备（采样率200Hz），并执行了14项短期运动任务，每项任务持续20至50秒。数据经过归一化、滤波和分段处理，以便后续分析。特征提取
研究提出了一个多尺度（样本级和分段级）和多层次（时域、频域、频谱域、自相关域）的特征评估框架。具体特征包括峰值数量、样本熵、自相关系数等。特征提取后，使用SHAP（Shapley Additive Explanations）值进行特征选择，并通过多种机器学习方法验证特征的有效性。特征选择与分类
研究采用了LightGBM、SVM、KNN、XGBoost、逻辑回归和卷积神经网络（CNN）等分类器进行帕金森病状态的分类。通过留一法交叉验证（Leave-One-Subject-Out, LOSO）评估模型的性能。
主要结果
运动症状识别
研究成功识别了震颤和运动迟缓等帕金森病运动症状，其中震颤识别的敏感性达到88%。通过分析右手旋转和坐姿任务，样本级特征（如振幅面积、正常/异常峰值数量）在检测运动波动方面表现出较高的准确性。帕金森病严重程度分类
研究在多个短期运动任务中进行了帕金森病严重程度的分类，其中“行走”（WA）任务表现最佳，准确率达到71.58%。通过SHAP值特征排序，最终选择了31个关键特征进行精细分类。特征评估与分类器性能
研究发现，样本级特征、时域特征和自相关域特征在早期帕金森病检测中表现优异，而频谱域特征在精细分类中更为有效。LightGBM分类器在多个任务中表现出色，尤其是在精细分类任务中。
结论与意义
本研究首次提出了一种多尺度和多层次特征评估框架，用于通过短期运动任务自动量化帕金森病运动症状及其严重程度。该框架在现实世界数据中表现出较高的有效性，为帕金森病的自我评估提供了新的可能性。研究结果表明，通过分析短期运动任务中的关键特征，可以有效识别帕金森病的运动症状并进行严重程度分类。这一框架不仅具有较高的科学价值，还为帕金森病的临床诊断和家庭自我监测提供了重要工具。
研究亮点
- 多尺度多层次特征评估：研究首次在样本级和分段级、时域、频域、频谱域和自相关域等多个层次上提取和分析特征，为帕金森病的自动分类提供了全面的特征评估框架。
- 现实世界数据验证：研究在真实临床环境中收集数据，验证了框架的有效性，为帕金森病的现实应用提供了有力支持。
- 高效特征选择与分类：通过SHAP值特征排序和LightGBM分类器，研究成功筛选出关键特征，并在精细分类任务中取得了较高的准确率。
其他有价值的信息
研究还发现，不同的运动任务对帕金森病状态分类的贡献不同。例如，“行走”任务在精细分类中表现最佳，而“饮水”任务在早期检测中表现出色。这些发现为未来的研究提供了方向，可以根据具体需求选择合适的运动任务进行帕金森病的评估。
通过本研究，研究人员不仅提出了一种新的特征评估框架，还为帕金森病的自动诊断和严重程度分类提供了重要的理论支持和实践指导。未来，随着更多数据的积累和算法的优化，这一框架有望在临床和家庭环境中得到广泛应用，为帕金森病患者提供更便捷、准确的诊断服务。