用于量化帕金森病患者步态冻结的双重门槛模型

2024-05-25 Sat
帕金森患者步态冻结量化模型研究背景介绍帕金森病 (Parkinson’s Disease, PD) 是一种常见的神经退行性疾病，伴随复杂的运动障碍。在帕金森病患者的后期阶段，“步态冻结” (Freezing of Gait, FOG) 现象尤为突出，指患者在行走过程中突然无法启动或继续行走的短暂现象。这种现象不仅会增加跌倒风险，还会显著降低患者的行动能力，严重影响其生活质量。因此，准确量化FOG的严重程度对于帮助临床医生管理此症状并减轻其影响至关重要。
目前临床上常用的新型步态冻结问卷（new Freezing of Gait Questionnaire, NFOG-Q）主要依靠患者自我报告和医生的经验进行评估。然而，这种评估方法带有主观性和不确定性，无法提供精准细致的量化结果。随着技术的发展，基于仪器步态分析的研究受到关注，但大多数研究在量化FOG程度时，忽略了对细粒度评估的考量。
论文来源本文由宁村许、陈王、梁鹏、小虎周、静耀陈、志程与曾光侯等多位学者撰写，发表在2023年的《IEEE Transactions on Biomedical Engineering》杂志上。作者来自澳门科技大学创新工程学院、智能自动化研究所。
研究方法与流程本文提出了一种双重门槛模型（double-hurdle model），利用典型的时空步态特征来量化帕金森患者的FOG严重程度。此外，通过引入一种新型多输出随机森林算法（multi-output Random Forest, MGWRF）来进一步提升模型性能。研究包含六个实验，使用公共的帕金森病步态数据库进行验证。研究过程如下：
a) 研究流程步态特征数据收集与预处理
使用力平台和多个摄像头设备收集步态数据。数据库包括13名有FOG症状和13名无FOG症状的PD患者，分别记录其在“药物生效”（ON）和“药物失效”（OFF）状态下的步态特征。
特征提取与标准化
初始的步态特征包括站立时间、摆动时间、步长、步速等19个指标。对原始步态数据库进行扩展、无量纲化、降维处理，得到标准化后的步态特征数据。
步态特征选择
使用最大相关性最小冗余算法（Maximum Relevance Minimum Redundancy, MRMR）对标准化后的数据进行特征选择，选取最重要的步态特征构建输入特征集。
双重门槛模型的构建
模型的首个门槛用于识别FOG患者，第二个门槛用于评分FOG患者的严重程度。
MGWRF算法应用
引入偏差差分信息熵量化技术，改进决策树的节点拆分标准和叶节点预测机制，用于多任务处理，包括患者分类与FOG评分。
药物状态对步态模式的影响分析
选取药物状态在步态特征中的重要性指标，分析其对FOG状态下步态特征的影响。
b) 主要研究结果通过上述方法，研究结果显示，在双门槛模型的超参数独立框架中，MGWRF算法取得了最高的相关系数0.972和最低的均方根误差2.488。此外发现药物状态对患者步态模式有显著影响：
在药物“失效”状态下，FOG症状显著增强。
比较“有药”与“无药”状态，步长、步速等特征在FOG患者中显著降低，而步态变异性（例如步态时间和步态长度的变异性）则显著增加。
c) 结论与研究价值科学价值
本研究首次使用双重门槛模型对帕金森患者FOG严重程度进行细粒度量化，提供更精确的评估手段。
应用价值
研究结果有助于临床医生更精确管理和治疗FOG症状，提升帕金森患者的生活质量。
创新亮点
提出的新型MGWRF算法，结合混合任务学习，显著提升了步态数据的处理和分析性能。
方法新颖性
使用偏差差分信息熵量化节点信息增益，与任务共享的权重机制，增强了模型在处理高维数据中的表现。
d) 研究亮点解决零膨胀数据分布问题
FOG严重程度评分的零膨胀数据分布问题通过双重门槛模型有效解决。
建模方法创新
MGWRF算法使用偏差差分信息熵量化，提升了模型在多任务处理上的性能。
e) 其他有价值的信息研究进一步验证了药物状态对步态特征的影响，表明在药物“失效”状态下更容易观察到FOG症状。这一发现提示临床研究中应考虑药物状态对步态分析的影响，以确保评估的准确性。
结论本文提出的双重门槛模型通过细粒度量化和混合任务学习，克服了传统方法的缺陷，提升了FOG的评估精度。研究结果为帕金森病的管理和治疗提供了新的视角和方法，对于步态冻结症状的临床研究和应用具有重要的参考价值。未来研究可通过收集更多患者数据，并结合多模态数据，进一步验证和扩展模型的适用性。