DOI: https://doi.org/10.3390/s25061895
PMID: https://pubmed.ncbi.nlm.nih.gov/40293010
تاريخ النشر: 2025-03-18
المؤلف: Juan Daniel Delgado-Terán وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تدرس الدراسة الكشف عن تجمد المشي (FOG) لدى مرضى باركنسون (PD) باستخدام شبكة عصبية تلافيفية (CNN) مطبقة على بيانات من وحدة قياس القصور الذاتي (IMU) موضوعة على الكاحل. شملت الأبحاث بيانات من 24 مشاركًا مصابًا بمرض PD، مع التركيز على تمييز حلقات FOG أثناء أنشطة المشي والدوران. أظهر نموذج CNN أداءً عاليًا، حيث حقق منطقة تحت منحنى التشغيل الخاص بالمتلقي (AUROC) قدرها 0.9596 للتحقق المتقاطع بخمسة أضعاف (5Fold-CV) و0.9275 للتحقق المتقاطع مع ترك موضوع واحد خارجًا (LOSO-CV) في سيناريوهات الحركة ذات الصلة. ومع ذلك، عندما تم اعتبار جميع الأنشطة، انخفضت AUROC إلى 0.8888 لـ 5Fold-CV و0.9017 لـ LOSO-CV، مما يشير إلى التحديات في تمييز FOG عن حالات عدم النشاط الأخرى في بيئات المعيشة شبه الحرة.
في الختام، تؤكد النتائج فعالية نموذج CNN القائم على IMU واحد للكشف عن FOG في بيئات شبه خاضعة للرقابة، مما يتناقض مع الدراسات السابقة التي استخدمت مستشعرات متعددة أو مهام خاضعة للرقابة. تقدم هذه الطريقة طريقًا واعدًا للتطبيقات العملية في السيناريوهات الواقعية، مما قد يؤدي إلى تطوير أجهزة قابلة للارتداء لمراقبة FOG بشكل مستمر. يجب أن تهدف الأبحاث المستقبلية إلى تنفيذ عتبات النشاط لتصفية الفترات غير النشطة، مما يعزز قابلية تطبيق النموذج في ظروف المعيشة الحرة. مع المزيد من التحسينات، يمكن أن تحسن هذه الطريقة بشكل كبير من الكشف في الوقت المناسب والتنبيه لحلقات FOG، مما يعود بالنفع في النهاية على جودة حياة الأفراد المصابين بمرض PD.
مقدمة
مرض باركنسون (PD) هو اضطراب عصبي تنكسي تدريجي مع زيادة في الانتشار، خاصة بين الأفراد الذين تزيد أعمارهم عن 65 عامًا. في هولندا وحدها، تم الإبلاغ عن حوالي 53,000 حالة جديدة في عام 2019. واحدة من أكثر الأعراض إعاقة لمرض PD هي تجمد المشي (FOG)، الذي يؤثر على حوالي 10% من المرضى في المراحل المبكرة وأكثر من 90% من أولئك في المراحل المتأخرة. لا يؤدي FOG فقط إلى تحديات كبيرة في الحركة ولكنه مرتبط أيضًا بأعراض غير حركية مثل الاكتئاب والقلق، والتي تؤثر سلبًا على جودة حياة المرضى. غالبًا ما تؤدي طرق التقييم الحالية لـ FOG، التي تعتمد بشكل أساسي على الإبلاغ الذاتي والقياسات السريرية، إلى نقص في التشخيص بسبب الطبيعة العرضية للأعراض.
أظهرت التقدمات الأخيرة في تكنولوجيا المستشعرات القابلة للارتداء وتعلم الآلة (ML) وعدًا في الكشف الموضوعي عن حلقات FOG في الوقت الحقيقي، خاصة في البيئات المنزلية. استخدمت دراسات مختلفة تكوينات مستشعرات مختلفة، بما في ذلك وحدات قياس القصور الذاتي (IMUs) الموضوعة على الكاحلين، محققة حساسية وخصوصية عالية في الكشف عن FOG. ومع ذلك، لا تزال هناك تحديات في ضمان الأداء المتسق خارج الإعدادات الخاضعة للرقابة، حيث تكافح الخوارزميات غالبًا مع تباين الحياة اليومية. تهدف هذه الأبحاث إلى معالجة هذه القيود من خلال تطوير نموذج تعلم عميق يستخدم إعداد IMU الحد الأدنى على الكاحل الأيمن، مما يسهل تقييمًا أكثر دقة وواقعية لـ FOG في بيئات المعيشة شبه الحرة. من خلال الاستفادة من الشبكات العصبية التلافيفية (CNNs)، التي تستخرج الميزات الزمانية المكانية بكفاءة، تسعى الدراسة إلى تعزيز قدرات الكشف في الوقت الحقيقي وتمكين التدخلات التنبيهية للتخفيف من حلقات FOG، مما يحسن سلامة المرضى وحركتهم.
طرق البحث
في هذه الدراسة، تم جمع البيانات باستخدام مجموعة شاملة من المستشعرات للتحقيق في النقطة النهائية الرئيسية في حالة المعيشة شبه الحرة. على وجه التحديد، تم تثبيت 17 مستشعرًا لوحدة قياس القصور الذاتي (IMU) على مواقع مختلفة من الجسم، جنبًا إلى جنب مع تطبيق هاتف ذكي لتتبع نظام تحديد المواقع العالمي (GPS)، تسارع الجسم، ومعدل الزاوية، بالإضافة إلى ساعة ذكية لقياس توصيلية الجلد (SC) ومعدل ضربات القلب (HR). من الجدير بالذكر أن الدراسة ركزت على مستشعر IMU الموجود على الكاحل الأيمن بسبب أدائه المتفوق وراحته مقارنة بالمستشعرات المثبتة على الخصر، التي تكون عرضة للإزاحة. شملت المنهجية أيضًا استخدام ستة كاميرات وكاميرا GoPro لالتقاط تسجيلات الفيديو للمشاركين أثناء الاختبارات والأنشطة، مع إجراء التعليقات من قبل مقيمين مدربين لتحديد نقاط البداية والنهاية لحلقات تجمد المشي (FOG).
استخدمت التحليلات الشبكات العصبية التلافيفية (CNNs) لمهام التعرف على الأنماط المحلية، مستفيدة من فعالية المستشعرات المثبتة على الكاحل في أبحاث مرض باركنسون. تم إجراء التجارب على نظام مزود بمعالج Intel® HD Graphics 4600، وذاكرة وصول عشوائي 28 جيجابايت، و1 جيجابايت GPU، حيث تم تنفيذ جميع المعالجة المسبقة، وبناء النموذج، والتدريب، والاختبار باستخدام Python 3.12 مع TensorFlow 2.16.1 وKeras 3.2.1. تهدف هذه الإطار المنهجي إلى تعزيز فهم أنماط الحركة وحلقات FOG لدى المشاركين، مما يساهم في المجال الأوسع لتكنولوجيا القابلية للارتداء في مراقبة الصحة.
النتائج
حللت الدراسة بيانات من 21 مشاركًا مصابًا بمرض باركنسون، الذين شهدوا مجتمعة 811 حلقة من تجمد المشي (FOG)، بإجمالي 3.61 ساعة من FOG ضمن سياق أوسع من 67.78 ساعة من أنشطة متنوعة. كان لدى المشاركين متوسط عمر قدره 74 عامًا وتم تشخيصهم بمرض باركنسون لمدة 10 سنوات في المتوسط. أظهرت التقييمات الحركية نطاقًا من شدة المرض، حيث بلغ متوسط درجات هوهن ويار 0.5 ودرجات MDS-UPDRS3 تعكس اختلافات كبيرة بين حالات ON (43.0) وOFF (51.0) من الأدوية. كانت تحديات التوازن والمشي واضحة، حيث أظهرت درجات اختبار Mini-BEST اختلافات مماثلة بين حالات ON (17.0) وOFF (51.0).
أنتجت وظيفة الإدراك المعرفي، التي تم قياسها بواسطة تقييم مونتريال المعرفي (MOCA)، درجة متوسطة قدرها 25.0، مما يشير إلى وجود ضعف إدراكي خفيف شائع في هذه الفئة السكانية. من الجدير بالذكر أن معظم المشاركين لم يبلغوا عن تاريخ من السقوط، مما قد يشير إلى تدابير فعالة لمنع السقوط أو تحيز في الاختيار. استخدمت الدراسة تقسيمًا تفاضليًا، مما عزز تمثيل حلقات FOG في مجموعة بيانات المشي والدوران من 25% إلى 57.8%، وفي مجموعة بيانات جميع الأنشطة من 6.7% إلى 22.1%، مما يحسن توازن مجموعة البيانات لمزيد من التحليل.
المناقشة
في هذه الدراسة، تم تطوير شبكة عصبية تلافيفية (CNN) للكشف عن حلقات تجمد المشي (FOG) لدى الأفراد المصابين بمرض باركنسون مجهول السبب (PD) باستخدام بيانات وحدة قياس القصور الذاتي (IMU) على الكاحل الأيمن أثناء الأنشطة اليومية. شملت الأبحاث 24 مشاركًا استوفوا معايير إدراج محددة، بما في ذلك حلقات FOG اليومية وعدم وجود إعاقات إدراكية كبيرة. تم إنشاء مجموعتين من البيانات: واحدة تركز على أنشطة المشي والدوران، والأخرى تشمل مجموعة واسعة من الأنشطة مثل الوقوف والجلوس. أظهر النموذج أداءً قويًا، حيث حقق منطقة تحت منحنى التشغيل الخاص بالمتلقي (AUROC) قدرها 0.96 لمجموعة بيانات المشي والدوران و0.89 لمجموعة بيانات جميع الأنشطة خلال التحقق المتقاطع بخمسة أضعاف.
أشارت النتائج إلى أنه بينما تفوق النموذج في الكشف عن FOG أثناء المشي والدوران، واجه تحديات مع الأنشطة الأخرى، خاصة الوقوف، التي كانت لها معدل تصنيف خاطئ مرتفع بسبب تشابهها مع FOG غير الحركي. على الرغم من انخفاض الخصوصية في مجموعة بيانات جميع الأنشطة، حافظ النموذج على حساسية عالية، وهو أمر حاسم لمنع حلقات FOG المفقودة التي قد تؤدي إلى السقوط. تسلط الدراسة الضوء على أهمية استخدام مقاييس موزونة لتقييم أداء النموذج في مجموعات البيانات غير المتوازنة، مما يكشف أنه بينما يكون النموذج فعالًا في الظروف الخاضعة للرقابة، قد يكون من الضروري تحسينه بشكل أكبر لتعزيز قابليته للتطبيق في سيناريوهات العالم الحقيقي المتنوعة. بشكل عام، يظهر نموذج CNN وعدًا في الكشف عن FOG، مع آثار محتملة لتحسين سلامة المرضى وحركتهم في إدارة مرض PD.
DOI: https://doi.org/10.3390/s25061895
PMID: https://pubmed.ncbi.nlm.nih.gov/40293010
Publication Date: 2025-03-18
Author(s): Juan Daniel Delgado-Terán et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
The study investigates the detection of Freezing of Gait (FOG) in Parkinson’s Disease (PD) patients using a convolutional neural network (CNN) applied to data from an inertial measurement unit (IMU) placed on the ankle. The research involved data from 24 PD participants, with a focus on distinguishing FOG episodes during walking and turning activities. The CNN model demonstrated high performance, achieving an area under the receiver operating characteristic curve (AUROC) of 0.9596 for five-fold cross-validation (5Fold-CV) and 0.9275 for leave-one-subject-out cross-validation (LOSO-CV) in relevant movement scenarios. However, when all activities were considered, the AUROC decreased to 0.8888 for 5Fold-CV and 0.9017 for LOSO-CV, indicating challenges in differentiating FOG from other inactive states in semi-free living environments.
In conclusion, the findings underscore the efficacy of a single IMU-based CNN model for detecting FOG in semi-controlled settings, contrasting with previous studies that utilized multiple sensors or controlled tasks. This approach offers a promising avenue for practical applications in real-world scenarios, potentially leading to the development of wearable devices for continuous FOG monitoring. Future research should aim to implement activity thresholds to filter out inactive periods, thereby enhancing the model’s applicability in free-living conditions. With further refinements, this method could significantly improve timely detection and cueing for FOG episodes, ultimately benefiting the quality of life for individuals with PD.
Introduction
Parkinson’s disease (PD) is a progressive neurodegenerative disorder with increasing prevalence, particularly among individuals over 65 years old. In the Netherlands alone, around 53,000 new cases were reported in 2019. One of the most debilitating symptoms of PD is freezing of gait (FOG), which affects approximately 10% of early-stage patients and over 90% of those in later stages. FOG not only leads to significant mobility challenges but is also associated with non-motor symptoms such as depression and anxiety, which adversely impact patients’ quality of life. Current assessment methods for FOG, primarily reliant on subjective self-reporting and clinician evaluations, often result in under-diagnosis due to the episodic nature of the symptom.
Recent advancements in wearable sensor technology and machine learning (ML) have shown promise in objectively detecting FOG episodes in real-time, particularly in home environments. Various studies have employed different sensor configurations, including inertial measurement units (IMUs) placed on the ankles, achieving high sensitivity and specificity in FOG detection. However, challenges remain in ensuring consistent performance outside controlled settings, as algorithms often struggle with the variability of daily life. This research aims to address these limitations by developing a deep learning model that utilizes a minimal IMU setup on the right ankle, facilitating a more accurate and realistic assessment of FOG in semi-free living environments. By leveraging convolutional neural networks (CNNs), which efficiently extract spatiotemporal features, the study seeks to enhance real-time detection capabilities and enable cueing interventions to mitigate FOG episodes, thereby improving patient safety and mobility.
Methods
In this study, data were collected using a comprehensive array of sensors to investigate the main endpoint in a semi-free-living condition. Specifically, 17 inertial measurement unit (IMU) sensors were attached to various body locations, alongside a smartphone application for GPS tracking, body acceleration, and angular rate, as well as a smartwatch for measuring skin conductance (SC) and heart rate (HR). Notably, the study focused on the IMU sensor located on the right ankle due to its superior performance and comfort compared to waist-mounted sensors, which are susceptible to displacement. The methodology also included the use of six cameras and a GoPro to capture video recordings of the participants during tests and activities, with annotations performed by trained raters to identify the start and end points of freezing of gait (FOG) episodes.
The analysis employed convolutional neural networks (CNNs) for local pattern recognition tasks, leveraging the effectiveness of ankle-mounted sensors in Parkinson’s disease research. The experiments were conducted on a system equipped with an Intel® HD Graphics 4600 processor, 28 GB RAM, and 1 GB GPU, with all preprocessing, model building, training, and testing executed in Python 3.12 using TensorFlow 2.16.1 and Keras 3.2.1. This methodological framework aims to enhance the understanding of movement patterns and FOG episodes in participants, contributing to the broader field of wearable technology in health monitoring.
Results
The study analyzed data from 21 participants with Parkinson’s disease, who collectively experienced 811 episodes of freezing of gait (FOG), totaling 3.61 hours of FOG within a broader context of 67.78 hours of various activities. The participants had a median age of 74 years and had been diagnosed with Parkinson’s for an average of 10 years. Motor assessments indicated a range of disease severity, with Hoehn and Yahr scores averaging 0.5 and MDS-UPDRS3 scores reflecting significant differences between ON (43.0) and OFF (51.0) medication states. Balance and gait challenges were evident, with Mini-BEST test scores showing similar discrepancies between ON (17.0) and OFF (51.0) states.
Cognitive function, measured by the Montreal Cognitive Assessment (MOCA), yielded a median score of 25.0, suggesting mild cognitive impairment prevalent in this demographic. Notably, most participants reported no history of falls, potentially indicating effective fall prevention measures or selection bias. The study employed differential segmentation, which enhanced the representation of FOG episodes in the Walking-Turning dataset from 25% to 57.8%, and in the All-Activities dataset from 6.7% to 22.1%, thereby improving the dataset’s balance for further analysis.
Discussion
In this study, a convolutional neural network (CNN) was developed to detect freezing of gait (FOG) episodes in individuals with idiopathic Parkinson’s disease (PD) using right-ankle inertial measurement unit (IMU) data during daily activities. The research involved 24 participants who met specific inclusion criteria, including daily FOG episodes and no significant cognitive impairments. Two datasets were created: one focused on walking and turning activities, and the other included a broader range of activities such as standing and sitting. The model demonstrated robust performance, achieving an area under the receiver operating characteristic curve (AUROC) of 0.96 for the Walking-Turning dataset and 0.89 for the All-Activities dataset during 5-fold cross-validation.
The findings indicated that while the model excelled in detecting FOG during walking and turning, it faced challenges with other activities, particularly standing, which had a high misclassification rate due to its similarity to akinetic FOG. Despite lower specificity in the All-Activities dataset, the model maintained high sensitivity, crucial for preventing missed FOG episodes that could lead to falls. The study highlights the importance of using weighted metrics to assess model performance in imbalanced datasets, revealing that while the model is effective in controlled conditions, further optimization may be necessary to enhance its applicability in diverse real-world scenarios. Overall, the CNN model shows promise for FOG detection, with potential implications for improving patient safety and mobility in PD management.