DOI: https://doi.org/10.3389/fphys.2025.1737585
PMID: https://pubmed.ncbi.nlm.nih.gov/41561150
تاريخ النشر: 2026-01-05
المؤلف: Jun-Zhi Xiang وآخرون
الموضوع الرئيسي: آليات وعلاجات مرض باركنسون
نظرة عامة
تدرس هذه الدراسة فعالية تقنية استشعار الحركة القابلة للارتداء لتقييم الأعراض الحركية في مرض باركنسون (PD) بشكل موضوعي. تقوم بتقييم اثني عشر مصنفًا من تعلم الآلة على بيانات مستشعر الحركة، مع التركيز على مساهمات مجموعات الميزات المختلفة – تحديدًا الميزات الإحصائية، وميزات نطاق التردد، والميزات الديناميكية، وميزات التعقيد. تستخدم البحث دراسات استئصال الميزات المنهجية وتحسن مصنف Random Forest باستخدام ثلاثة خوارزميات ميتا-heuristic: تحسين سرب الجسيمات (PSO)، خوارزمية سرب الساتين المحسنة (ISSA)، وخوارزمية تحسين الحوت المعزز (EWOA). بالإضافة إلى ذلك، يتم استخدام تحليل قيمة SHAP لتحديد الميزات الأكثر تأثيرًا في الكشف عن مرض باركنسون.
تظهر النتائج أن مصنف Random Forest حقق أعلى دقة بنسبة 86.7%، حيث كانت الميزات الإحصائية هي الأكثر أهمية في أداء التصنيف. زادت دقة Random Forest المحسن بواسطة PSO إلى 87.65%. أبرز تحليل SHAP أن القياسات المعتمدة على الإنتروبيا والانحرافات المعيارية كانت حاسمة للتنبؤات عالية الاحتمالية بمرض باركنسون، بينما كانت القياسات المستمدة من الجيروسكوب أكثر دلالة على النتائج منخفضة الاحتمالية. تستنتج الدراسة أن الطرق المعتمدة على التجميع تمثل العلاقات المعقدة وغير الخطية بين خصائص الحركة وتشخيص مرض باركنسون، وأن إطار استخراج الميزات الشامل يعزز دقة الكشف، متماشيًا مع الرؤى السريرية حول خصائص الاضطراب.
مقدمة
تتناول مقدمة هذه الورقة البحثية مرض باركنسون (PD)، وهو اضطراب عصبي تنكسي تدريجي يتميز بالأعراض الحركية (مثل الاهتزازات، والصلابة، وبطء الحركة) والأعراض غير الحركية (مثل العجز المعرفي، والخلل الذاتي، واضطرابات النوم). يتم الإبلاغ عن انتشار مرض باركنسون عالميًا بمعدل 94 لكل 100,000 فرد، مع زيادة معدلات الحدوث مع تقدم العمر. يعد التشخيص المبكر أمرًا حيويًا للإدارة الفعالة، ومع ذلك، فإن الطرق التشخيصية التقليدية، التي تعتمد على الملاحظات السريرية ومقاييس التقييم الذاتية مثل مقياس تقييم مرض باركنسون الموحد (UPDRS)، غالبًا ما تفشل في اكتشاف المرض في مراحله المبكرة بسبب تباين المقيّمين ودقة الأعراض الأولية. وبالتالي، هناك حاجة ملحة لأساليب تشخيص موضوعية تعتمد على البيانات.
تقترح هذه الدراسة إطارًا جديدًا للكشف عن مرض باركنسون باستخدام بيانات مستشعر الحركة القابلة للارتداء من أجهزة مثل الساعات الذكية. يركز الإطار على استخراج الميزات القوية للنشاط، ومعالجة عدم توازن الفئات، وتوفير نمذجة قابلة للتفسير. تشمل المساهمات الرئيسية استراتيجية استخراج ميزات متعددة الأبعاد تدمج خصائص متنوعة من بيانات المستشعر، وهيكل تصنيف محسن بواسطة تحسين سرب الجسيمات (PSO) لزيادة القوة التمييزية، وإطار تحليل الميزات القابل للتفسير باستخدام SHapley Additive exPlanations (SHAP) لتوضيح عملية اتخاذ القرار للنموذج. تهدف الدراسة إلى سد الفجوات الحرجة في الكشف عن مرض باركنسون من خلال ضمان القوة عبر أنشطة متنوعة وتعزيز قابلية تفسير النتائج، مما يعزز أنظمة التشخيص القابلة للارتداء في كل من السياقات السريرية والعالمية.
طرق
في هذه الدراسة، يتم تقديم منهجية شاملة للكشف عن مرض باركنسون (PD) باستخدام بيانات مستشعر الساعة الذكية، وتتكون من خمس خطوات رئيسية: (1) جمع البيانات ومعالجتها مسبقًا، (2) استخراج الميزات، (3) توازن الفئات، و(4) تصميم التجارب. تم تصميم هذه الخطوات لضمان دقة النموذج وقوته في تحديد أنماط الحركة المتعلقة بمرض باركنسون من قراءات التسارع والجيروسكوب الزمنية.
يركز تصميم التجارب على إنشاء إطار عمل مثالي للكشف عن مرض باركنسون من خلال دمج طريقة متقدمة لاستخراج الميزات مع تحسين سرب الجسيمات (PSO). لا يقيم هذا النهج نماذج أساسية متنوعة فحسب، بل يبرز أيضًا أهمية PSO في اختيار الميزات. من خلال تحسين الميزات الإحصائية، وميزات نطاق التردد، والميزات الديناميكية، والميزات المعتمدة على التعقيد، يختار PSO الخصائص الأكثر تمييزًا للتصنيف، مما يعزز قابلية تفسير النموذج ويحسن أداء التصنيف. توضح التحليل المقارن بين النماذج الأساسية وطريقة اختيار الميزات المعتمدة على PSO فعاليتها في تحسين نتائج التصنيف.
نتائج
تسلط نتائج هذه الدراسة الضوء على فعالية أساليب تعلم الآلة، وخاصة الطرق المعتمدة على التجميع مثل Random Forest، في الكشف عن مرض باركنسون (PD) باستخدام بيانات مستشعر الحركة القابلة للارتداء. من خلال استخدام أوصاف غير مرتبطة بالنشاط مستمدة من إشارات المستشعر الخام، يظهر الإطار الذي تم تطويره في هذا البحث أداء تصنيف متفوق مقارنة بأساليب الميزات المحددة بالمهام التقليدية. تشير التحليلات إلى أن العلاقة بين خصائص الحركة وتشخيص مرض باركنسون معقدة وغير خطية، مما يبرز الحاجة إلى استخراج ميزات شاملة تلتقط أبعادًا متنوعة من الحركة.
بالإضافة إلى ذلك، تكشف الدراسة أن الميزات الإحصائية تشكل الأساس للتصنيف الفعال، مع مساهمات من قياسات التعقيد والديناميكية ونطاق التردد التي تعزز الأداء. أدى تطبيق تقنيات تحسين الميتا-heuristic، وخاصة تحسين سرب الجسيمات (PSO)، إلى تحسينات كبيرة في دقة التصنيف من خلال ضبط المعلمات، مع ملاحظة أنماط المعلمات المثلى المتسقة عبر خوارزميات مختلفة. علاوة على ذلك، حدد تحليل قيمة SHAP قياسات التعقيد المعتمدة على الإنتروبيا والانحرافات المعيارية كأكثر الميزات تأثيرًا، مما يعكس الفهم السريري لتأثير مرض باركنسون على تعقيد الحركة وتنوعها. بشكل عام، تحقق هذه الدراسة دقة مقارنة مع الدراسات السابقة مع التأكيد على قابلية تفسير النتائج من خلال قيم SHAP، وهو مزيج نادر في الأدبيات الحالية.
نقاش
في قسم النقاش من الورقة البحثية، يبرز المؤلفون التحديات المرتبطة بتشخيص مرض باركنسون (PD) باستخدام التقييمات السريرية التقليدية، التي تعتمد غالبًا على التقييمات الذاتية ويمكن أن تتعقد بسبب تداخل الأعراض مع اضطرابات عصبية تنكسية أخرى. لمعالجة هذه القيود، استكشفت الدراسات الحديثة الأساليب المعتمدة على البيانات، وخاصة خوارزميات تعلم الآلة التي تستخدم أنواع بيانات متنوعة، بما في ذلك تسجيلات الصوت، وعينات الكتابة اليدوية، وبيانات مستشعر الحركة، لتحديد الأنماط المتعلقة بمرض باركنسون. من الجدير بالذكر أن الأجهزة القابلة للارتداء المزودة بمستشعرات ظهرت كأدوات قيمة للرصد المستمر للبيانات الفسيولوجية والسلوكية، مما يمكّن من تحليل الأعراض الحركية من خلال أنماط المشي وترددات الاهتزاز. ومع ذلك، غالبًا ما تكون فعالية هذه الأساليب مقيدة بسبب اعتمادها على ميزات محددة بالمهام، والتي قد لا تعمم بشكل جيد على السيناريوهات الواقعية.
كما يؤكد المؤلفون على أهمية تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI)، مثل SHAP وLIME، في تعزيز الشفافية والثقة في نماذج تعلم الآلة في الرعاية الصحية. تساعد هذه الأساليب في سد الفجوة بين المخرجات التقنية والتطبيقات السريرية، مما يلبي الحاجة الملحة إلى قابلية التفسير في السياقات الطبية ذات المخاطر العالية. تؤكد الورقة على إمكانية استخراج الميزات القوية للنشاط واستراتيجيات جمع البيانات المحسنة لتحسين دقة الكشف عن مرض باركنسون مع الحفاظ على أداء النموذج. بشكل عام، تشير النتائج إلى أن دمج تقنيات تعلم الآلة المتقدمة مع بيانات المستشعر القابلة للارتداء يمكن أن يعزز بشكل كبير التشخيص المبكر واستراتيجيات العلاج الشخصية لمرض باركنسون.
القيود
تسلط قسم القيود الضوء على عدة قيود حاسمة في الدراسة وتقترح مجالات للبحث المستقبلي. أولاً، فإن الاعتماد على مجموعة بيانات واحدة متاحة للجمهور بحجم عينة معتدل وحالة دوائية غير موثقة يحد من تعميم النتائج، خاصةً حيث تم جمع البيانات فقط خلال مهام مختبرية موحدة. قد يؤدي غياب بيانات النشاط الحر إلى تقليل الفروق الملحوظة في الإشارة، مما يشير إلى الحاجة إلى التحقق المستقبلي باستخدام مجموعات مستقلة متعددة مع حالات دوائية موثقة وتسجيلات مستمرة في بيئات طبيعية.
ثانيًا، كانت عملية استخراج الميزات في الدراسة محدودة على قياسات زمنية وترددية معروفة من بيانات الجيروسكوب ومقياس التسارع. يجب أن تتضمن التحقيقات المستقبلية تقنيات معالجة الإشارات المتقدمة، مثل تحويلات الموجات وعمليات استخراج الميزات المعتمدة على التعلم العميق، لالتقاط خصائص الحركة الإضافية المتعلقة بالكشف عن مرض باركنسون (PD). بالإضافة إلى ذلك، فإن عدم وجود مجموعة تحكم للتشخيص التفريقي يمثل فجوة كبيرة، حيث أن تمييز مرض باركنسون مجهول السبب عن المتلازمات الباركنسونية غير النمطية يمثل تحديًا تشخيصيًا رئيسيًا. يجب أن تهدف الدراسات المستقبلية إلى تضمين المرضى الذين يعانون من عدم اليقين التشخيصي لتقييم أداء النموذج في مجموعات الإحالة الواقعية. أخيرًا، عالج التحليل الكشف عن مرض باركنسون كمشكلة تصنيف ثنائية، متجاهلاً شدة المرض وأنواعه. يجب أن تعتمد الأبحاث المستقبلية أساليب متعددة الفئات والانحدار للتنبؤ بشكل أفضل بمراحل المرض وتتبع التقدم، مع تقييم أيضًا القابلية السريرية لأنظمة الكشف عن مرض باركنسون القابلة للارتداء في سياقات حركة متنوعة.
DOI: https://doi.org/10.3389/fphys.2025.1737585
PMID: https://pubmed.ncbi.nlm.nih.gov/41561150
Publication Date: 2026-01-05
Author(s): Jun-Zhi Xiang et al.
Primary Topic: Parkinson\'s Disease Mechanisms and Treatments
Overview
This study investigates the efficacy of wearable movement sensor technology for the objective assessment of motor symptoms in Parkinson’s disease (PD). It evaluates twelve machine learning classifiers on motion sensor data, focusing on the contributions of various feature sets—specifically statistical, frequency-domain, dynamic, and complexity features. The research employs systematic feature ablation studies and optimizes the Random Forest classifier using three meta-heuristic algorithms: Particle Swarm Optimization (PSO), Improved Satin Swarm Algorithm (ISSA), and Enhanced Whale Optimization Algorithm (EWOA). Additionally, SHAP value analysis is utilized to discern the most influential features impacting PD detection.
The findings reveal that the Random Forest classifier achieved the highest accuracy of 86.7%, with statistical features being the most significant contributors to classification performance. The PSO-optimized Random Forest further improved accuracy to 87.65%. SHAP analysis highlighted that entropy-based measures and standard deviations were critical for high-probability PD predictions, while gyroscope-derived measurements were more indicative of low-probability outcomes. The study concludes that ensemble-based methods effectively model the complex, nonlinear relationships between movement characteristics and PD diagnosis, and that a comprehensive feature extraction framework enhances detection accuracy, aligning with clinical insights into the disorder’s characteristics.
Introduction
The introduction of this research paper addresses Parkinson’s disease (PD), a progressive neurodegenerative disorder characterized by both motor symptoms (e.g., tremors, rigidity, bradykinesia) and non-motor symptoms (e.g., cognitive impairments, autonomic dysfunction, sleep disturbances). The global prevalence of PD is reported at 94 per 100,000 individuals, with incidence rates increasing with age. Early diagnosis is crucial for effective management, yet traditional diagnostic methods, which rely on clinical observations and subjective rating scales like the Unified Parkinson’s Disease Rating Scale (UPDRS), often fail to detect the disease in its early stages due to inter-rater variability and the subtlety of initial symptoms. Consequently, there is a pressing need for objective, data-driven diagnostic approaches.
This study proposes a novel framework for PD detection utilizing wearable movement sensor data from devices such as smartwatches. The framework emphasizes activity-robust feature extraction, handling class imbalances, and providing explainable modeling. Key contributions include a multi-dimensional feature extraction strategy that integrates various characteristics from sensor data, a Particle Swarm Optimization (PSO)-optimized classification architecture for enhanced discriminative power, and an interpretable feature analysis framework using SHapley Additive exPlanations (SHAP) to elucidate model decision-making. The research aims to fill critical gaps in PD detection by ensuring robustness across diverse activities and enhancing the interpretability of results, thereby advancing wearable-based diagnostic systems in both clinical and real-world settings.
Methods
In this study, a comprehensive methodology for detecting Parkinson’s Disease (PD) using smartwatch sensor data is presented, comprising five key steps: (1) data collection and preprocessing, (2) feature extraction, (3) class balancing, and (4) experimental design. These steps are designed to ensure the model’s accuracy and robustness in identifying PD-related motion patterns from time-series accelerometer and gyroscope readings.
The experimental design focuses on creating an optimal framework for PD detection by integrating an advanced feature extraction method with Particle Swarm Optimization (PSO). This approach not only evaluates various baseline models but also highlights the significance of PSO in feature selection. By refining statistical, frequency-domain, dynamic, and complexity-based features, PSO selects the most discriminative characteristics for classification, thereby enhancing model interpretability and improving classification performance. A comparative analysis between baseline models and the PSO-based feature selection method demonstrates its effectiveness in enhancing classification outcomes.
Results
The results of this study highlight the effectiveness of machine learning approaches, particularly ensemble-based methods like Random Forest, for detecting Parkinson’s disease (PD) using wearable movement sensor data. By utilizing activity-agnostic descriptors derived from raw sensor signals, the framework developed in this research demonstrates superior classification performance compared to traditional task-specific feature methods. The analysis indicates that the relationship between movement characteristics and PD diagnosis is complex and nonlinear, underscoring the need for comprehensive feature extraction that captures various dimensions of movement.
Additionally, the study reveals that statistical features form the foundation for effective classification, with contributions from complexity, dynamic, and frequency domain measures enhancing performance. The application of meta-heuristic optimization techniques, especially Particle Swarm Optimization (PSO), led to significant improvements in classification accuracy through hyperparameter tuning, with consistent optimal parameter patterns observed across different algorithms. Furthermore, SHAP value analysis identified entropy-based complexity measures and standard deviations as the most influential features, reflecting the clinical understanding of PD’s impact on movement complexity and variability. Overall, this research achieves comparable accuracy to previous studies while emphasizing the interpretability of results through SHAP values, a combination that has been rare in existing literature.
Discussion
In the discussion section of the research paper, the authors highlight the challenges associated with diagnosing Parkinson’s disease (PD) using traditional clinical evaluations, which often rely on subjective assessments and can be complicated by symptom overlap with other neurodegenerative disorders. To address these limitations, recent studies have explored data-driven approaches, particularly machine learning algorithms that utilize diverse data types, including voice recordings, handwriting samples, and motion sensor data, to identify PD-related patterns. Notably, wearable devices equipped with sensors have emerged as valuable tools for continuous monitoring of physiological and behavioral data, enabling the analysis of motor symptoms through gait patterns and tremor frequencies. However, the effectiveness of these methods is often constrained by their reliance on task-specific features, which may not generalize well to real-world scenarios.
The authors also emphasize the importance of explainable artificial intelligence (XAI) techniques, such as SHAP and LIME, in enhancing the transparency and trustworthiness of machine learning models in healthcare. These methods help bridge the gap between technical outputs and clinical applications, addressing the critical need for interpretability in high-stakes medical contexts. The paper underscores the potential of activity-robust feature extraction and optimized data collection strategies to improve PD detection accuracy while maintaining model performance. Overall, the findings suggest that integrating advanced machine learning techniques with wearable sensor data can significantly enhance early diagnosis and personalized treatment strategies for Parkinson’s disease.
Limitations
The section on limitations highlights several critical constraints of the study and suggests avenues for future research. Firstly, the reliance on a single publicly available dataset with a moderate sample size and undocumented medication status restricts the generalizability of findings, particularly as data were collected solely during standardized laboratory tasks. The absence of free-living activity data may diminish the observed signal differences, indicating a need for future validation using multiple independent cohorts with documented medication statuses and continuous recordings in naturalistic settings.
Secondly, the study’s feature extraction was limited to established time and frequency domain measures from gyroscope and accelerometer data. Future investigations should incorporate advanced signal processing techniques, such as wavelet transforms and deep learning-based feature extraction, to capture additional movement characteristics pertinent to Parkinson’s disease (PD) detection. Additionally, the lack of a differential-diagnosis control group presents a significant gap, as distinguishing idiopathic PD from atypical parkinsonian syndromes is a key diagnostic challenge. Future studies should aim to include patients with diagnostic uncertainty to assess the model’s performance in real-world referral populations. Lastly, the analysis treated PD detection as a binary classification problem, overlooking disease severity and subtypes. Future research should adopt multiclass and regression approaches to better predict disease stages and track progression, while also evaluating the clinical applicability of wearable PD detection systems in diverse movement contexts.