Cadre d'évaluation des caractéristiques multi-échelles et multi-niveaux pour la classification de l'état de la maladie de Parkinson à partir de tâches motrices de courte durée
Contexte académique
La maladie de Parkinson (Parkinson’s Disease, PD) est la deuxième maladie neurodégénérative chronique la plus courante, touchant principalement les personnes âgées de 65 ans et plus. Avec le vieillissement de la population mondiale, on prévoit que la prévalence de la maladie de Parkinson passera de 7 millions en 2015 à 13 millions en 2040. Actuellement, le diagnostic de la maladie de Parkinson repose principalement sur des questionnaires cliniques et des journaux de mouvement, qui sont chronophages et présentent un biais subjectif important. Récemment, avec la combinaison des technologies portables et des méthodes d’apprentissage automatique, les chercheurs ont commencé à explorer l’évaluation quantitative des symptômes moteurs pour aider au diagnostic de la maladie de Parkinson. Cependant, l’efficacité de ces technologies est influencée par les paramètres environnementaux, ce qui rend difficile leur application dans le monde réel. Par conséquent, cette étude vise à proposer un cadre d’évaluation des caractéristiques efficace pour évaluer automatiquement la gravité des symptômes moteurs de la maladie de Parkinson à travers des tâches motrices à court terme et les classer dans un contexte réel.
Source de l’article
Cette recherche a été réalisée par une équipe de chercheurs de l’Université de Sheffield et de l’Université du Yunnan. Les principaux auteurs incluent Xiyang Peng, Yuting Zhao, Ziheng Li, Xulong Wang, Fengtao Nan, Zhong Zhao, Yun Yang et Po Yang. L’article a été publié le 21 juin 2024 dans la revue IEEE Transactions on Biomedical Engineering, sous le titre “Multi-Scale and Multi-Level Feature Assessment Framework for Classification of Parkinson’s Disease State from Short-Term Motor Tasks”.
Processus de recherche et détails
Processus de recherche
Collecte et prétraitement des données
L’étude a été menée à l’Hôpital du Peuple N°1 du Yunnan, avec la participation de 100 patients atteints de la maladie de Parkinson et de 60 sujets témoins en bonne santé (25 jeunes et 35 personnes âgées). Les participants portaient un appareil portable Shimmer (fréquence d’échantillonnage 200 Hz) et exécutaient 14 tâches motrices à court terme, chacune durant entre 20 et 50 secondes. Les données ont été normalisées, filtrées et segmentées pour analyse ultérieure.Extraction des caractéristiques
L’étude propose un cadre d’évaluation des caractéristiques multi-échelles (niveau échantillon et niveau segment) et multi-niveaux (domaine temporel, fréquentiel, spectral et autocorrélation). Les caractéristiques spécifiques incluent le nombre de pics, l’entropie d’échantillon, les coefficients d’autocorrélation, etc. Après extraction des caractéristiques, la sélection des caractéristiques a été effectuée à l’aide de valeurs SHAP (Shapley Additive Explanations), et leur validité a été vérifiée par diverses méthodes d’apprentissage automatique.Sélection des caractéristiques et classification
L’étude a utilisé plusieurs classificateurs, tels que LightGBM, SVM, KNN, XGBoost, régression logistique et réseau neuronal convolutif (CNN), pour classifier l’état de la maladie de Parkinson. La performance des modèles a été évaluée par validation croisée Leave-One-Subject-Out (LOSO).
Résultats principaux
Reconnaissance des symptômes moteurs
L’étude a réussi à identifier des symptômes moteurs comme les tremblements et la bradykinésie dans la maladie de Parkinson, avec une sensibilité de reconnaissance des tremblements atteignant 88 %. En analysant les tâches de rotation de la main droite et de position assise, les caractéristiques au niveau des échantillons (comme la surface d’amplitude, le nombre de pics normaux/anormaux) ont montré une grande précision dans la détection des fluctuations motrices.Classification de la gravité de la maladie de Parkinson
L’étude a classifié la gravité de la maladie de Parkinson dans plusieurs tâches motrices à court terme, la tâche de “marche” (WA) ayant obtenu les meilleurs résultats, avec une précision de 71,58 %. Grâce au tri des caractéristiques basé sur les valeurs SHAP, 31 caractéristiques clés ont été sélectionnées pour la classification fine.Évaluation des caractéristiques et performance des classificateurs
L’étude a révélé que les caractéristiques au niveau des échantillons, dans le domaine temporel et dans le domaine d’autocorrélation étaient performantes pour la détection précoce de la maladie de Parkinson, tandis que les caractéristiques spectrales étaient plus efficaces pour la classification fine. Le classificateur LightGBM s’est distingué dans plusieurs tâches, notamment dans les tâches de classification fine.
Conclusion et signification
Cette étude propose pour la première fois un cadre d’évaluation des caractéristiques multi-échelles et multi-niveaux pour quantifier automatiquement les symptômes moteurs de la maladie de Parkinson et leur gravité à partir de tâches motrices à court terme. Ce cadre a démontré une grande efficacité sur des données du monde réel, offrant de nouvelles possibilités pour l’auto-évaluation de la maladie de Parkinson. Les résultats montrent qu’en analysant les caractéristiques clés dans des tâches motrices à court terme, il est possible d’identifier efficacement les symptômes moteurs de la maladie de Parkinson et de classer leur gravité. Ce cadre présente non seulement une grande valeur scientifique, mais fournit également des outils importants pour le diagnostic clinique et l’auto-surveillance à domicile de la maladie de Parkinson.
Points forts de la recherche
- Évaluation des caractéristiques multi-échelles et multi-niveaux : L’étude extrait et analyse pour la première fois des caractéristiques à différents niveaux (échantillons, segments, domaine temporel, fréquentiel, spectral et autocorrélation), fournissant un cadre complet d’évaluation des caractéristiques pour la classification automatique de la maladie de Parkinson.
- Validation avec des données du monde réel : L’étude collecte des données dans un environnement clinique réel, validant ainsi l’efficacité du cadre et apportant un soutien solide pour son application pratique.
- Sélection efficace des caractéristiques et classification : À l’aide du tri des caractéristiques basé sur les valeurs SHAP et du classificateur LightGBM, l’étude a réussi à sélectionner des caractéristiques clés et a obtenu une grande précision dans les tâches de classification fine.
Autres informations utiles
L’étude a également découvert que différentes tâches motrices contribuent différemment à la classification de l’état de la maladie de Parkinson. Par exemple, la tâche de “marche” se distingue dans la classification fine, tandis que la tâche de “boire” excelle dans la détection précoce. Ces découvertes ouvrent des perspectives pour les recherches futures, permettant de choisir les tâches motrices appropriées pour l’évaluation de la maladie de Parkinson selon les besoins spécifiques.
À travers cette recherche, les scientifiques ont non seulement proposé un nouveau cadre d’évaluation des caractéristiques, mais ont également fourni un support théorique et des directives pratiques importants pour le diagnostic automatique et la classification de la gravité de la maladie de Parkinson. À l’avenir, avec l’accumulation de plus de données et l’optimisation des algorithmes, ce cadre pourrait être largement appliqué dans des contextes cliniques et domestiques, offrant des services de diagnostic plus pratiques et précis aux patients atteints de la maladie de Parkinson.