DOI: https://doi.org/10.3389/fnagi.2026.1791253
PMID: https://pubmed.ncbi.nlm.nih.gov/42253370
تاريخ النشر: 2026-05-21
المؤلف: Hongyun Zhao وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تستكشف الدراسة إمكانية تحليل المشي كأداة تشخيصية غير جراحية لمرض باركنسون (PD) من خلال استخدام إطار عمل جديد يعتمد على مخططات التكرار المستمدة من إشارات ضغط القدم. تم جمع البيانات من 61 مريضًا بمرض باركنسون و48 شخصًا سليمًا باستخدام نظام اكتساب المشي القابل للارتداء. تم بناء أنواع مختلفة من مخططات التكرار – المقطوعة، غير المقطوعة، الأساسية، المتقاطعة، والمشتركة – وتم استخراج الميزات من خلال تحليل كمية التكرار التقليدي (RQA) وقياسات جديدة لانتروبيا مخطط التكرار. أظهرت التحليلات أن ميزات انتروبيا مخطط التكرار، وخاصة من مخططات التكرار المتقاطعة، أظهرت قدرة تمييزية متفوقة، حيث حققت إشارات ضغط الكعب وأصابع القدم أعلى مستوى من الخصوصية.
تم تصنيف مجموعة الميزات المدمجة، التي جمعت بين الميزات الزمنية والضغط وميزات مخطط التكرار، باستخدام نموذج آلة دعم كوبية (CSVM)، محققة دقة قصوى بلغت 92.71% في تمييز مرضى باركنسون عن الأشخاص الأصحاء. تشير النتائج إلى أن إطار التحليل الكمي المقترح يقوم بأتمتة تشخيص مرض باركنسون بشكل فعال من خلال ديناميات المشي، مما يبرز أهمية خوارزميات مخطط التكرار وتحليل القوام في تحديد الفروق بين مرضى باركنسون والأفراد الأصحاء. بشكل عام، تؤكد الدراسة على فعالية ميزات انتروبيا مخطط التكرار في تعزيز الأداء التشخيصي لمرض باركنسون.
مقدمة
يعتبر مرض باركنسون (PD) اضطرابًا عصبيًا تنكسيًا شائعًا يؤثر بشكل أساسي على كبار السن، حيث تزداد نسبة حدوثه بشكل كبير مع تقدم العمر. ركزت الأبحاث الحديثة على استخدام طرق قائمة على الأنظمة الديناميكية، وخاصة مخططات التكرار، لتحليل التغيرات الفسيولوجية المعقدة المرتبطة بمرض باركنسون. أظهرت دراسات مختلفة فائدة مخططات التكرار والتحليلات ذات الصلة في تمييز مرضى باركنسون عن الأفراد الأصحاء من خلال الكشف عن الأنماط المخفية في بيانات السلاسل الزمنية، مثل تخطيط العضلات، إشارات تخطيط القلب، وديناميات المشي. على سبيل المثال، وجد Flood وآخرون (2019) أن مرضى باركنسون أظهروا مستوى أعلى من الحتمية في ميزات تخطيط العضلات، بينما استخدمت دراسات Pham (2021) وآخرون بنجاح طرق قائمة على التكرار لتصنيف مرض باركنسون بناءً على المشي وإشارات فسيولوجية أخرى، محققة دقة تصنيف عالية.
على الرغم من التقدم في استخدام مخططات التكرار لتشخيص مرض باركنسون، لا تزال هناك تحديات، خاصة في تحديد العلامات الحيوية المحددة وترجمة نتائج البحث إلى الممارسة السريرية. غالبًا ما تفتقر الطرق الحالية إلى الشفافية وقابلية التفسير، وهو أمر حاسم للتطبيق السريري. تهدف هذه الدراسة إلى معالجة هذه التحديات من خلال اقتراح إطار تشخيصي ذكي يحول بيانات المشي إلى صور ثنائية الأبعاد باستخدام مخططات التكرار، مما يعزز تحليل ديناميات المشي في مرض باركنسون وقد يحسن من التشخيص المبكر والتقييم.
النتائج
في قسم النتائج، استخدمت الدراسة اختبار مان-ويتني U وتحليل معامل الارتباط لبيسون لاختيار الميزات. قام اختبار مان-ويتني U بتقييم ما إذا كانت مجموعتان من البيانات تنشأ من توزيعات مستمرة ذات وسائط متساوية، مع تحديد الفروق المهمة عندما كانت قيمة p أقل من 0.05. تم تعزيز هذا النهج الإحصائي من خلال تحليل معامل الارتباط لبيسون، الذي أنشأ مصفوفة معامل الارتباط الثنائي لتحديد وإزالة الميزات الزائدة، محتفظًا بميزة تمثيلية واحدة فقط من الأزواج المرتبطة بشدة.
ركز التحليل على الميزات الزمنية والضغط، بالإضافة إلى ميزات مخطط التكرار المتقاطع والمشترك المستمدة من ثمانية قنوات من كلا القدمين. تم الاحتفاظ بالميزات بناءً على أهميتها الإحصائية، مع قيم p أقل من 0.05 أو نسب أهمية تتجاوز 0.03، مما يضمن تضمين الميزات الأكثر صلة فقط في التحليلات اللاحقة.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجيات المستخدمة في إعادة بناء فضاء الطور وتحليل مخططات التكرار لكشف الخصائص الديناميكية في بيانات السلاسل الزمنية، وخاصة في سياق تحليل إشارات المشي لمرضى باركنسون (PD). تستخدم إعادة بناء فضاء الطور نظرية تضمين تاكنز، حيث تحول سلسلة زمنية إلى متجه بعده m، حيث يعتبر اختيار بعد التضمين ($m$) ووقت التأخير ($\tau$) أمرًا حاسمًا للتمثيل الدقيق. يتم تحديد القيم المثلى لهذه المعلمات باستخدام المعلومات المتبادلة وطريقة الجيران الأقرب الكاذبة، مما يضمن أن فضاء الطور المعاد بناؤه يعكس بدقة النظام الديناميكي الأصلي.
تم توضيح بناء مخططات التكرار، مع التمييز بين الطرق المقطوعة وغير المقطوعة. تم تسليط الضوء على النهج غير المقطوع لقدرته على الاحتفاظ بمعلومات أغنى من السلسلة الزمنية الأصلية، وهو أمر حاسم لاستخراج الميزات اللاحقة. تم استخدام أنواع مختلفة من مخططات التكرار، بما في ذلك مخططات التكرار المتقاطعة والمشتركة، لتحليل التفاعلات بين أنظمة ديناميكية مختلفة. قدم المؤلفون تحليلات إحصائية لميزات كمية التكرار وقياسات الانتروبيا المستمدة من هذه المخططات، مما يظهر فروقًا كبيرة بين مرضى باركنسون والأشخاص الأصحاء. بشكل ملحوظ، تظهر ميزات انتروبيا مخطط التكرار قدرة تمييزية متفوقة، مع قيم p أقل تشير إلى فعاليتها في تمييز الفروق بين المجموعتين. يبرز هذا التحليل الشامل إمكانيات مخططات التكرار وميزاتها كأدوات قيمة في فهم تعقيدات ديناميات المشي في مرض باركنسون.
DOI: https://doi.org/10.3389/fnagi.2026.1791253
PMID: https://pubmed.ncbi.nlm.nih.gov/42253370
Publication Date: 2026-05-21
Author(s): Hongyun Zhao et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
The study investigates the potential of gait analysis as a non-invasive diagnostic tool for Parkinson’s disease (PD) by employing a novel framework based on recurrence plots derived from plantar pressure signals. Data were collected from 61 PD patients and 48 healthy controls using a wearable gait acquisition system. Various types of recurrence plots—thresholded, non-thresholded, basic, cross, and joint—were constructed, and features were extracted through traditional recurrence quantification analysis (RQA) and novel recurrence plot entropy measures. The analysis indicated that recurrence plot entropy features, particularly from cross recurrence plots, demonstrated superior discriminability, with heel and toe pressure signals yielding the highest specificity.
The integrated feature set, which combined temporal, pressure, and recurrence plot features, was classified using a Cubic Support Vector Machine (CSVM) model, achieving a maximum accuracy of 92.71% in distinguishing PD patients from healthy controls. The findings suggest that the proposed quantitative analysis framework effectively automates PD diagnosis through gait dynamics, highlighting the importance of recurrence plot algorithms and texture analysis in identifying differences between PD patients and healthy individuals. Overall, the study underscores the efficacy of recurrence plot entropy features in enhancing diagnostic performance for PD.
Introduction
Parkinson’s disease (PD) is a prevalent neurodegenerative disorder primarily affecting the elderly, with its incidence increasing significantly with age. Recent research has focused on employing dynamical-systems-based methods, particularly recurrence plots, to analyze the complex physiological changes associated with PD. Various studies have demonstrated the utility of recurrence plots and related analyses in distinguishing PD patients from healthy individuals by revealing hidden patterns in time series data, such as electromyography, electrocardiograph signals, and gait dynamics. For instance, Flood et al. (2019) found that PD patients exhibited higher determinism in electromyography features, while studies by Pham (2021) and others have successfully utilized recurrence-based methods to classify PD based on gait and other physiological signals, achieving high classification accuracies.
Despite the advancements in using recurrence plots for PD diagnosis, challenges remain, particularly in identifying specific biomarkers and translating research findings into clinical practice. The existing methods often lack transparency and interpretability, which are crucial for clinical application. This study aims to address these challenges by proposing an intelligent diagnostic framework that converts gait data into two-dimensional images using recurrence plots, thereby enhancing the analysis of gait dynamics in PD and potentially improving early diagnosis and assessment.
Results
In the results section, the study employed the Mann-Whitney U-test and Pearson correlation coefficient analysis for feature selection. The Mann-Whitney U-test assessed whether two groups of data originated from continuous distributions with equal medians, identifying significant differences when the p-value was less than 0.05. This statistical approach was complemented by Pearson correlation coefficient analysis, which generated a pairwise correlation coefficient matrix to identify and eliminate redundant features, retaining only one representative feature from highly correlated pairs.
The analysis focused on temporal and pressure features, as well as cross and joint recurrence plot features derived from eight channels of both feet. Features were retained based on their statistical significance, with p-values below 0.05 or importance ratios exceeding 0.03, ensuring that only the most relevant features were included in subsequent analyses.
Discussion
In this section, the authors discuss the methodologies employed for phase space reconstruction and the analysis of recurrence plots to uncover dynamical characteristics in time series data, specifically in the context of gait signal analysis for Parkinson’s disease (PD) patients. The phase space reconstruction utilizes Takens’ embedding theorem, transforming a time series into an m-dimensional vector, where the choice of embedding dimension ($m$) and delay time ($\tau$) is critical for accurate representation. The optimal values for these parameters are determined using mutual information and the false nearest neighbors method, ensuring that the reconstructed phase space accurately reflects the original dynamical system.
The construction of recurrence plots is elaborated upon, distinguishing between thresholded and non-thresholded methods. The non-thresholded approach is highlighted for its ability to retain richer information from the original time series, which is crucial for subsequent feature extraction. Various types of recurrence plots, including cross and joint recurrence plots, are employed to analyze interactions between different dynamical systems. The authors present statistical analyses of recurrence quantification features and entropy measures derived from these plots, demonstrating significant differences between PD patients and healthy controls. Notably, recurrence plot entropy features exhibit superior discriminative power, with lower p-values indicating their effectiveness in characterizing the differences between the two groups. This comprehensive analysis underscores the potential of recurrence plots and their features as valuable tools in understanding the complexities of gait dynamics in PD.