基于可穿戴传感器的、与具体情境无关的帕金森病运动症状检测机器学习方法

《BMC Medical Informatics and Decision Making》：Context-agnostic machine learning for Parkinson’s disease motor symptom detection using wearable sensors

　　

摘要

背景

帕金森病是一种日益常见的神经退行性疾病，具有多种运动和非运动症状，影响着全球数百万患者。这些症状在药物作用下会出现显著波动，且不同患者之间的表现也存在差异，这就凸显出个性化管理的必要性。通过可穿戴传感器和机器学习进行客观的长期症状监测，有助于提供个性化的治疗方案。不过，目前大多数相关方法都是在实验室环境下测试的。本研究旨在开发一种模块化流程，以便在更贴近实际的环境中自动检测帕金森病的三种主要运动症状：震颤、运动迟缓以及左旋多巴诱发的运动障碍。

方法

该研究在三个数据集上对所提出的方法进行了评估：即左旋多巴反应研究数据集，以及两个新引入的ALAMEDA数据集。这些数据集包含了通过商用可穿戴设备在临床评估和日常活动过程中采集的三轴手腕加速度计数据。针对每种症状，研究人员使用了92个手工设计的特征，分别构建了不受上下文影响的模型。同时，还探讨了多种分割窗口长度及预处理技术，如重采样和降维处理，以及多种机器学习模型，包括逻辑回归、k最近邻算法、多层感知器、支持向量机、决策树、AdaBoost算法和随机森林算法。通过Wilcoxon符号秩检验来判断不同配置之间的统计学显著性，而利用Shapley加性解释方法来分析模型的可解释性，从而识别出最具影响力的预测因子并评估其生理学意义。

结果

在左旋多巴反应研究数据集上，震颤、运动迟缓和运动障碍的检测精度-召回率曲线下面积分别为0.664、0.636和0.443，这表明该方法在复杂环境中仍具备良好的适用性，且能揭示出具有生理学意义的模式。在ALAMEDA数据集上的测试结果显示，震颤和运动障碍的检测精度-召回率曲线下面积分别为0.879和0.648，进一步体现了该模型和特征的强泛化能力。在不同症状的检测中，较长的分割窗口和随机森林分类器的效果更为优异，而合成过采样和主成分分析的方法则效果有限。

结论

在更接近真实生活环境的条件下，实现帕金森病症状的自动化检测是可行的，尽管环境复杂性大幅增加，但性能仅出现轻微下降。通过精心选择特征和流程组件，能够实现对运动症状的客观、无干扰监测，从而为患者提供基于证据的个性化治疗建议，进而提升他们的生活质量。

临床试验编号

不适用。