利用多模态数据对帕金森病严重程度进行分类的复发网络方法

《IEEE Access》：Recurrence Network Approach for Severity Classification of Parkinson’s Disease Using Multimodal Data

　　

摘要：

帕金森病（PD）是一种多因素引起的进行性神经退行性疾病，其特征是黑质中的多巴胺神经元丧失，导致运动和非运动功能障碍。尽管在临床评估方面取得了显著进展，但其潜在机制仍仅部分被理解，这需要整合计算方法、信号处理技术和系统级方法以获得更深入的见解。近年来，帕金森病研究发生了范式转变，从传统的临床评估转向以数据驱动的框架，利用网络科学和多模态传感技术的优势。本研究提出从复杂系统理论的角度对帕金森病的神经动力学进行建模，具体采用递归网络（RN）的方法——将时间序列数据转换为复杂网络。我们利用从网络中提取的与语音和步态信号相关的特征来分类帕金森病患者的病情严重程度。由于这些生物标志物中的运动障碍表现为间歇性而非均匀性，我们在分类框架中采用了基于帧的方法。具体来说，我们在三种不同的阈值条件下评估了基于帧的分析：正确分类的帧数分别为40%、50%和60%。实验结果表明，在严格的60%阈值条件下，所提出的多模态方法相比仅使用语音或仅使用步态的数据，准确率分别提高了约37%和18%。此外，我们还研究了不同帕金森病严重程度下RN拓扑结构的定性和定量特征。