《Scientific Reports》：HandPD37: advanced handwriting dataset for Parkinson’s disease diagnosis using stack ensemble ML
编辑推荐：
帕金森病（Parkinson’s Disease, PD）是一种神经退行性疾病，尤其在日本等老龄化国家中影响老年人群。PD的关键症状之一是手部震颤，这损害了包括手写在内的精细运动技能。早期检测对于治疗和管理至关重要。然而，现有数据集通常缺乏足够多样的任务来进行
帕金森病（Parkinson’s Disease, PD）是一种神经退行性疾病，尤其在日本等老龄化国家中影响老年人群。PD的关键症状之一是手部震颤，这损害了包括手写在内的精细运动技能。早期检测对于治疗和管理至关重要。然而，现有数据集通常缺乏足够多样的任务来进行有效的计算机辅助PD识别。为解决这一问题，研究人员提出了HandPD37数据集，该数据集包含来自78名PD患者和54名健康个体的37项手写任务样本。这些任务评估了精细运动技能和语言复杂性，捕捉了指示PD的各种手写特征。数据使用平板设备记录，提供了详细的信息，如X-Y坐标、笔压和时间戳。此外还提取了速度和加速度等额外运动学特征，每个样本共获得171个特征。研究人员应用了10种机器学习（Machine Learning, ML）算法的堆叠集成，以逻辑回归（Logistic Regression, LR）进行分类，并使用元集成方法评估了各项任务。任务18、28、33和34对于区分PD患者与健康对照组最为有效。结果表明，将运动学和基于压力的特征与ML模型相结合可提高PD识别的准确性。HandPD37数据集和集成方法为PD诊断的临床决策支持提供了一个有前景的解决方案。这37项任务针对日本参与者量身定制，增强了数据集在更准确和泛化的PD检测中的适用性。
研究背景与现存问题
帕金森病（Parkinson’s Disease, PD）是一种复杂的神经退行性疾病，全球范围内影响着数百万人，其主要运动症状包括静止性震颤、肌肉强直、运动迟缓（bradykinesia）和姿势反射受损。目前尚无完全客观的临床测试用于确诊PD，可靠的诊断往往需要数月的观察，且误诊率可达约25%，最终确诊只能依靠死后病理检查。因此，临床上迫切需要能够辅助医生进行早期检测和治疗的决策支持工具。手写障碍是PD的一个显著表现，患者常出现动作不连贯、犹豫停顿以及书写过小症（micrographia）等问题。尽管已有研究利用手写分析作为PD的生物标志物，但现有的手写数据集（如HandPD、NewHandPD、PaHaW等）所包含的任务种类有限（最多8项），难以全面捕捉与震颤相关的细微运动特征。为了解决这一局限性，研究人员开展了本研究。
研究内容、结论与意义
研究人员创建了一个全新的HandPD37手写数据集，包含来自132名受试者（78名PD患者和54名健康对照者）的37项精心设计的手写任务。通过对这些数据进行运动学特征提取和堆叠集成机器学习（ML）建模，研究发现结合运动学和压力特征能显著提高PD识别准确率，其中任务18、28、33和34被证明是最有效的区分任务。该研究的意义在于提供了一个更丰富、更全面的手写分析资源，为非侵入性的早期PD诊断提供了强有力的数据驱动框架，展示了集成学习方法在临床决策支持系统中的潜力。
主要关键技术方法
- 1.
数据集构建：研究人员与日本的多家医疗机构合作，招募了132名受试者（78名PD患者来自帝京大学医院和福岛医科大学，54名健康对照者来自会津大学）。所有受试者均为右利手的日本人。
- 2.
数据采集：使用Wacom Cintiq Pro 16液晶数位板记录手写数据，获取时间序列信息，包括时间戳、X-Y坐标、笔压（pen pressure）、方位角（azimuth）和高度角（altitude）。
- 3.
特征提取：从原始数据中提取了21种运动学特征（kinematic features），如速度、加速度、加加速度（jerk）和笔画角度等。随后对每种运动学特征计算8种统计特征（均值、中位数、方差、标准差、最大值、最小值、25百分位数、75百分位数），加上宽度、高度和时间长度3个特征，最终每个样本共得到171个特征。
- 4.
分类模型：采用堆叠集成（stacking ensemble）学习方法，集成了10种基础机器学习算法（随机森林RF、逻辑回归LR、支持向量机SVM、决策树DT、极端随机树ET、高斯朴素贝叶斯GNB、K近邻KNN、LightGBM、多层感知器MLP、XGBoost），并以逻辑回归（LR）作为元分类器（meta-classifier）。使用Optuna进行超参数优化，并采用嵌套的五折交叉验证（nested five-fold cross-validation）策略，确保按受试者划分数据以防止数据泄露。
研究结果
各ML模型的性能结果
实验结果显示，不同模型在37项任务上的表现各异。总体而言，极端随机树（ET）、LightGBM（LGBM）和XGBoost（XGB）在多项任务中持续表现良好，准确率超过90%。集成模型在37项任务中的16项上取得了最高准确率。独立t检验表明，集成模型的准确率显著高于10种单独算法中的8种（p<0.01），显示出其更稳定的整体性能。
各单独模型的任务排名
通过对10种单独模型在每项任务上的准确率进行排序，研究发现任务18最突出，在10个模型中的7个中位列前5。任务33也在10个模型中的5个中位列前5，表明这两项任务包含对PD分类非常有用的手写相关信息。
集成模型的任务排名
基于集成模型的表现，任务12、18和28并列获得了最高的分类准确率。任务18在单独模型和集成模型分析中均表现出色，被认为是对PD分类特别相关的任务。任务28、33和34也被认为是高度有效的任务。从医学角度看，这些任务的高排名具有临床意义，因为它们反映了PD常见的运动症状，如震颤、运动迟缓和微书写症。
特征选择的有效性
研究发现，使用所有171个特征时平均分类准确率最高。而基于U检验和相关系数滤波的特征选择方法略微降低了平均准确率。这表明单纯基于统计显著性去除特征并不一定能提升分类性能，但可以大幅减少特征数量（减少至原特征的二分之一到三分之一），体现了降维与分类性能之间的权衡。仅使用在所有任务中p值小于0.10的共同特征时，平均准确率下降了约5%，说明HandPD37数据集包含任务特定的特征特性。
讨论与结论
讨论部分总结
研究人员指出，基于HandPD37的系统有望成为一种简单、非侵入性且客观的PD评估辅助决策工具。在实际临床应用中，患者可在常规就诊或康复评估期间在平板上完成选定的手写任务。通过分析书写速度、笔压、运动不规则性、震颤相关变化和书写流畅度等特征，该系统可为精细运动障碍提供额外的定量信息。然而，该系统旨在辅助而非替代临床诊断，其结果需结合神经学检查、病史、用药情况等标准临床评估进行综合判断。未来仍需在更大规模的多中心临床数据集中进行验证。
研究结论部分翻译
本研究提出了一种优化的PD检测方法论，该方法整合了新开发的动态运动学特征与先进的机器学习技术，以捕捉手写任务过程中的运动动态。研究的主要目标是通过利用包含37项精心设计任务的综合性手写数据集HandPD37来提高PD的早期诊断水平。研究人员采用了10种ML算法的堆叠集成，以逻辑回归作为元分类器，证明了运动学和基于压力的手写特征与集成学习相结合，为PD的早期、非侵入性检测提供了宝贵的见解。任务18、28、33和34被确定为最有效的任务。总之，所提出的方法不仅增强了对PD患者手写障碍的理解，而且提供了一个强大的数据驱动框架用于早期诊断。未来，研究人员计划扩展数据集，纳入更多任务，并探索其他传感器模态（如加速度计和陀螺仪）以及基于图像的手写分析，以进一步提高PD检测的鲁棒性和临床适用性。
