基于助行器安装传感器数据的帕金森病分期机器学习判别
机器学习
2020-06-23 v1 信号处理
机器学习
摘要
评估帕金森病(PD)患者步态的临床方法大多是定性的。定量方法需要昂贵的仪器或繁琐的可穿戴设备，这限制了它们的可用性。这些方法中仅有少数能够判别PD进展的不同阶段。本研究应用机器学习方法来判别PD的六个阶段。数据是在一家运动障碍诊所的实验中由低成本的助行器安装传感器采集的，并且PD阶段已通过临床标注。提取了大量特征（其中一些为本研究所独有），并使用多类随机森林(RF)分类器比较了三种特征选择方法。由方差分析(ANOVA)方法选择的特征子集提供了与完整特征集相似的性能：93%的准确率，且计算时间显著缩短。与PCA相比，该方法还实现了所选特征的临床可解释性，这是医疗保健应用的一个基本属性。所有选定的特征集均由信息论特征和统计特征主导，并为PD步态恶化特征提供了见解。结果表明，利用低成本助行器安装传感器采集的运动学信号，通过机器学习准确分类PD严重程度阶段是可行的，并意味着有潜力辅助医疗从业者对PD进展进行定量评估。本研究提出了一种针对小规模且含噪数据问题的解决方案，该问题在大多数基于传感器的医疗保健评估中很常见。
引用
@article{arxiv.2006.12094,
title = {Machine learning discrimination of Parkinson's Disease stages from walker-mounted sensors data},
author = {Nabeel Seedat and Vered Aharonson},
journal= {arXiv preprint arXiv:2006.12094},
year = {2020}
}
备注
Accepted to AAAI 2020 (New York) - International Workshop on Health Intelligence