Quantification et diagnostic des déficits de mobilité

Sciences de l'information Intelligence artificielle Neurologie Biophysique Sciences de la vie Médecine
déficits de mobilité maladie de Parkinson capteurs portables apprentissage automatique suivi du mouvement

Contexte et motivation de la recherche

La maladie de Parkinson (Parkinson’s Disease, PD) est une maladie neurodégénérative qui affecte principalement les capacités motrices des patients, entraînant des tremblements, une bradykinésie, une rigidité des membres et des problèmes d’équilibre à la marche. Ces déficits moteurs nuisent gravement à l’autonomie et à la qualité de vie des patients. Selon les statistiques, on estime qu’en 2030, rien qu’aux États-Unis, près de 1,2 million de personnes souffriront de la maladie de Parkinson, tandis que le nombre mondial des patients dépassera les 10 millions. Par conséquent, la manière d’évaluer et de diagnostiquer avec précision les déficits moteurs des patients est un problème crucial qui doit être résolu de toute urgence.

Les méthodes existantes d’évaluation de la gravité de la PD reposent principalement sur l’observation subjective et l’expérience des cliniciens, qui évaluent les patients en effectuant des mouvements spécifiques en laboratoire ou en clinique. Cette méthode est non seulement influencée par des facteurs subjectifs humains, mais l’observation en environnement contrôlé ne peut refléter pleinement la situation motrice réelle des patients dans leur vie quotidienne. Par conséquent, les chercheurs ont un besoin urgent d’une méthode de quantification fiable et non invasive qui pourrait évaluer objectivement les déficits moteurs des patients atteints de la maladie de Parkinson, fournissant ainsi un retour de rééducation plus opportun et efficace.

Origine de la recherche et informations de publication

Cet article a été rédigé par Fujian Yan, Jiaqi Gong, Qiang Zhang et Hongsheng He, et a été accepté par IEEE Transactions on Biomedical Engineering. Fujian Yan appartient à l’école d’informatique de Wichita State University; Jiaqi Gong, Qiang Zhang et Hongsheng He appartiennent tous aux départements d’informatique et de génie mécanique de The University of Alabama. La recherche a été soutenue par NSF #2327313 et NSF #2129113.

Méthodologie de la recherche et processus expérimental

Cet article propose une méthode pour obtenir des données motrices via des capteurs physiologiques biologiques portables et non invasifs, puis utiliser un modèle d’apprentissage profond pour analyser et quantifier les déficits moteurs des patients atteints de la maladie de Parkinson. Cette méthode comprend plusieurs étapes clés et innovations techniques.

Processus expérimental

Le flux principal de la recherche se divise en plusieurs étapes :

  1. Collecte des données (Data Collection):
    • Données de laboratoire (Laboratory Data): recueillies auprès de 10 sujets sains effectuant 6 activités (telles que marcher, s’accroupir, ramasser des objets, dessiner, faire du yoga, et jouer avec des blocs de construction). Les capteurs utilisés comprenaient des accéléromètres et des capteurs d’électromyographie (EMG) installés sur les membres et le tronc.
    • Données cliniques (Clinical Data): obtenues auprès de 8 patients atteints de PD de différents stades et de personnes en bonne santé effectuant 8 mouvements différents.
  2. Prétraitement des données:
    • Resampling des données, compensation de la gravité et normalisation, utilisation d’un filtre passe-haut Butterworth pour éliminer la composante gravitationnelle.
    • Segmentation des données pour garantir une cohérence dans les formes d’entrée du modèle.
  3. Apprentissage des primitives motrices (Learning Motion Primitives):
    • Identification des primitives motrices représentatives via des réseaux neuronaux multicouches et des méthodes d’apprentissage par dictionnaire.
  4. Classification et quantification:
    • Conception et entraînement d’un modèle de réseau neuronal convolutif profond (CNN) qui, en établissant des sacs de primitives motrices (Bag of Motion Primitives, BoMP), quantifie la gravité des déficits moteurs des patients.

Échantillons et détails de traitement

  • Données de laboratoire impliquant des sujets sains dans des états de santé et simulant des états de PD avec des dispositifs de poids. Les données comprennent deux collectes par sujet et par activité.
  • Données cliniques comprenant les mouvements de patients atteints de PD, segmentées en longueurs uniformes pour garantir la cohérence des entrées du modèle.

Innovations techniques

Une innovation significative de cet article réside dans l’utilisation des données de capteurs non invasifs dans l’analyse motrice, ce qui permet une représentation et une classification efficace des séries temporelles motrices brutes via l’apprentissage par dictionnaire et le modèle de sacs de primitives motrices.

Principaux résultats de recherche

Les résultats sont répartis entre les données de laboratoire et les données cliniques :

  • Données de laboratoire :
    • Précision de classification atteignant 93,95%, bien supérieure aux modèles linéaires (64,86%) et aux machines à vecteurs de support (91,35%).
    • Les primitives motrices obtenues par apprentissage par dictionnaire ont reconstruit et identifié avec succès les différences entre les états de santé et les états simulés de patients.
  • Données cliniques :
    • Précision de classification atteignant 99,84%, distinguant efficacement les patients sains, légèrement atteints et gravement atteints de la PD.
    • La matrice de confusion montre que la majorité des données des patients légèrement atteints (97,18%) sont correctement classées, malgré un déséquilibre dans les données causant certaines erreurs de classification.

Conclusion et valeur

Cet article démontre l’existence de primitives motrices significatives dans des données de mesures motrices simples et montre l’efficacité de ces primitives dans la quantification des déficits moteurs. La méthode non seulement affiche une précision plus élevée dans la prédiction des données des patients connus, mais offre également un potentiel pour le diagnostic et la quantification en temps réel sur des patients inconnus.

En exploitant des données de suivi moteur à grande échelle, cette méthode propose des indicateurs de quantification spécifiques à l’utilisateur basés sur le nombre de primitives motrices, pouvant remplacer complètement les scores cliniques basés sur l’observation et fournir des rapports en temps réel pendant la rééducation, renforçant ainsi l’effet bénéfique pour les patients. Non seulement cette méthode améliore la précision de la classification des symptômes de la PD, mais elle offre également de nouvelles perspectives pour d’autres maladies nécessitant un suivi et une évaluation des mouvements.