Скачать статью
DOI 10.23648/UMBJ.2018.32.22688
УДК 616.8-07
ПРИМЕНЕНИЕ НЕЙРОСЕТИ ДЛЯ ОЦЕНКИ МОТОРНЫХ НАРУШЕНИЙ ПРИ БОЛЕЗНИ ПАРКИНСОНА С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ВИДЕОЗАХВАТА В ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ
Е.М. Каменских, И.В. Толмачев, Н.Г. Жукова, И.А. Жукова, Е.С. Королева, В.М. Алифирова, К.С. Бразовский, Е.С. Колупаева
ФГБОУ ВО «Сибирский государственный медицинский университет» Минздрава России,
г. Томск, Россия
e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.
Отсутствие объективных методов оценки клинических проявлений болезни Паркинсона (БП) легло в основу проведения работы по описанию моторных нарушений у пациентов с БП с применением метода видеозахвата в условиях виртуальной реальности и алгоритмов машинного обучения.
Цель – проанализировать объективность технологии диагностики неврологических симптомов путем анализа траекторий движений с использованием алгоритмов машинного обучения.
Материалы и методы. В исследовании приняли участие 30 пациентов (21 женщина и 9 мужчин) в возрасте от 45 до 83 лет (средний возраст 69±7 лет), страдающих БП в течение в среднем 6±3 лет. Стадия заболевания по шкале Хен–Яр в исследуемой выборке варьировала от 1 до 3 (40 % пациентов – стадия 1; 37 % – стадия 2; 23 % – стадия 3). Группа сравнения состояла из 20 условно здоровых добровольцев и была сопоставима по полу и возрасту (средний возраст 57±15 лет) с основной группой. Участники проходили исследование с применением виртуальной сцены «Круглая земля» с использованием очков Epson Moverio BT-200, Microsoft Kinect. Для обработки данных был выбран многослойный перцептрон с четырьмя входными нейронами и двумя скрытыми слоями по 5 нейронов на каждом.
Результаты. Точность распознавания для обучающей выборки составила 77,8 %, чувствительность – 81,3 %, специфичность – 72,9 %. Точность распознавания для тестовой выборки составила 67,7 %, чувствительность – 68,3 %, специфичность – 66,9 %.
Выводы. Методы видеозахвата в условиях виртуальной реальности позволяют выявить моторные нарушения, подтверждающие наличие БП, но точность полученной модели недостаточна и сильно зависит от объема выборки, а также требует включения дополнительных диагностических параметров.
Ключевые слова: болезнь Паркинсона, нейротехнологии, регистрация движений, моторные нарушения, нарушения походки, ранняя диагностика нейродегенеративных заболеваний, видеозахват, нейронная сеть.
Литература
1. Global Health Estimates 2016: Deaths by Cause, Age, Sex, by Country and by Region, 2000–2016. Geneva: World Health Organization; 2018. URL: https://www.who.int/healthinfo/global_burden_disease/estimates/en/index1.html (дата обращения: 07.09.2018).
2. Hauser S.L., Johnston S.C. Big neuroscience. Annals of Neurology. 2013; 73 (4): A5–A6. DOI: 10.1002/ana.23903.
3. World report on ageing and health. URL: http://www.who.int/ageing/publications/world-report-2015/ru/ (дата обращения: 07.09.2018).
4. Rebecca C. Brown, Alan H. Lockwood, Babasaheb R. Sonawane. Neurodegenerative Diseases: An Overview of Environmental Risk Factors. Environ. Health Perspect. 2005; 113 (9): 1250–1256. DOI: 10.1289/ehp.7567.
5. Mason A.R., Ziemann A., Finkbeiner S. Targeting the low-hanging fruit of neurodegeneration. Neurology. 2014; 83: 1470–1473.
6. Fahn S. Description of Parkinson’s disease as a clinical syndrome. Ann. NY Acad Sci. 2003; 991: 1–14.
7. Wu Y., Le W., Jankovic J. Preclinical biomarkers of Parkinson disease. Arch. Neurol. 2011; 68 (1): 22–30.
8. Schapira A.H.V., Chaudhuri K.R., Jenner P. Non-motor features of Parkinson disease. Nature Reviews Neuroscience. 2017; 18 (7): 435–450. DOI: 10.1038/nrn.2017.62.
9. Kurt A. Jellinger. Neuropathobiology of non-motor symptoms in Parkinson disease? J. Neural Transm (Vienna). 2015; 122 (10): 1429–1440. DOI: 10.1007/s00702-015-1405-5.
10. Wenning G.K., Ben-Shlomo Y., Hughes A., Daniel S.E., Lees A., Quinn N.P. What clinical features are most useful to distinguish definite multiple system atrophy from Parkinson’s disease? J. Neurol. Neurosurg. Psychiatry. 2000; 68: 434–440.
11. Fernandez H.H. Update on Parkinson disease. Cleve Clin. J. Med. 2015; 82 (9): 563–568. DOI: 10.3949/ccjm.82gr.15004.
12. Heredia-López F.J., May-Tuyub R.M., Bata-García J.L., Góngora-Alfaro J.L., Alvarez-Cervera F.J. A system for automatic recording and analysis of motor activity in rats. Behav Res Methods. 2013; 45 (1): 183–190. DOI: 10.3758/s13428-012-0221-1.
13. Bötzel K., Marti F.M., Rodríguez M.Á., Plate A., Vicente A.O. Gait recording with inertial sensors – How to determine initial and terminal contact. J. Biomech. 2016; 49 (3): 332–337. DOI: 10.1016/j.jbiomech.2015.12.035.
14. Jordbru A.A., Smedstad L.M., Moen V.P., Martinsen E.W. Identifying patterns of psychogenic gait by video-recording. J. Rehabil. Med. 2012; 44 (1): 31–35. DOI: 10.2340/16501977-0888.
15. Snider J., Plank M., Lee D., Poizner H. Simultaneous neural and movement recording in large-scale immersive virtual environments. IEEE Trans Biomed Circuits Syst. 2013; 7 (5): 713–721. DOI: 10.1109/TBCAS.2012.2236089.
16. Международная статистическая классификация болезней и проблем, связанных со здоровьем, 10-го пересмотра, онлайн версия. URL: http://mkb-10.com/ (дата обращения: 08.10.2018).
17. Hoehn M.M., Yahr M.D. Parkinsonism: onset, progression and mortality. Neurology. 1967; 17: 427–442.
18. IBM Watson, онлайн версия. URL: https://www.ibm.com/watson/ (дата обращения: 18.10.2018).
Download article
DOI 10.23648/UMBJ.2018.32.22688
APPLICATION OF NEURONETS FOR MOTOR DISTURBANCE ASSESSMENT IN PATIENTS WITH PARKINSON DISEASE USING VIDEO CAPTURE TECHNOLOGY IN VIRTUAL REALITY
E.M. Kamenskikh, I.V. Tolmachev, N.G. Zhukova, I.A. Zhukova, E.S. Koroleva, V.M. Alifirova, K.S. Brazovskiy, E.S. Kolupaeva
Siberian State Medical University, Ministry of Health of the Russian Federation, Tomsk, Russia
e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.
The lack of objective methods which can evaluate clinical manifestations of Parkinson disease (PD) provided the basis for this work, which describes motor disorders in patients with PD using the video capture technology in virtual reality and machine learning algorithms.
The aim of the paper is to analyze the accuracy of the technology for neurological symptom diagnostics by analyzing movement trajectories using machine learning algorithms.
Materials and Methods. The study involved 30 patients (21 women and 9 men) aged 45–83 (mean age 69±7), suffering from PD for 6±3 years. In our sample the disease state (according to Hoehn-Yahr scale) ranged from 1 to 3 (40 % of patients – stage 1; 37 % – stage 2; 23 % – stage 3). The comparison group consisted of 20 relatively healthy volunteers and was comparable with the main group in sex and age (mean age 57±15). The trial subjects were examined on a virtual platform “Round Earth” using Epson Moverio BT-200 glasses (Microsoft Kinect). For data processing, a multilayer perceptron with four input neurons and two hidden layers of 5 neurons on each was selected.
Results. The recognition accuracy for the training sample was 77.8 %, sensitivity – 81.3 %, specificity – 72.9 %. The recognition accuracy for the test sample was 67.7 %, sensitivity – 68.3 %, specificity – 66.9 %.
Conclusion. Video capture methods in virtual reality make it possible to identify motor disorders which confirm PD, but the accuracy of the model is insufficient as it strongly depends on the sample size, and also requires additional diagnostic parameters.
Keywords: Parkinson disease, neurotechnology, movement registration, motor disorders, gait disorder, early diagnosis of neurodegenerative diseases, video capture, neural network.
References
1. Global Health Estimates 2016: Deaths by Cause, Age, Sex, by Country and by Region, 2000–2016. Geneva: World Health Organization; 2018. Available at: https://www.who.int/healthinfo/global_burden_disease/estimates/en/index1.html (accessed: 07.09.2018).
2. Hauser S.L., Johnston S.C. Big neuroscience. Annals of Neurology. 2013; 73 (4): A5–A6. DOI: 10.1002/ana.23903.
3. World report on ageing and health. Available at: http://www.who.int/ageing/publications/world-report-2015/ru/ (accessed: 07.09.2018).
4. Rebecca C. Brown, Alan H. Lockwood, Babasaheb R. Sonawane. Neurodegenerative Diseases: An Overview of Environmental Risk Factors. Environ. Health Perspect. 2005; 113 (9): 1250–1256. DOI: 10.1289/ehp.7567.
5. Mason A.R., Ziemann A., Finkbeiner S. Targeting the low-hanging fruit of neurodegeneration. Neurology. 2014; 83: 1470–1473.
6. Fahn S. Description of Parkinson’s disease as a clinical syndrome. Ann NY Acad Sci. 2003; 991: 1–14.
7. Wu Y., Le W., Jankovic J. Preclinical biomarkers of Parkinson disease. Arch Neurol. 2011;
68 (1): 22–30.
8. Schapira A.H.V., Chaudhuri K.R., Jenner P. Non-motor features of Parkinson disease. Nature Reviews Neuroscience. 2017; 18 (7): 435–450. DOI: 10.1038/nrn.2017.62.
9. Kurt A. Jellinger. Neuropathobiology of non-motor symptoms in Parkinson disease? J. Neural Transm (Vienna). 2015; 122 (10): 1429–1440. DOI: 10.1007/s00702-015-1405-5.
10. Wenning G.K., Ben-Shlomo Y., Hughes A., Daniel S.E., Lees A., Quinn N.P. What clinical features are most useful to distinguish definite multiple system atrophy from Parkinson’s disease? J. Neurol. Neurosurg. Psychiatry. 2000; 68: 434–440.
11. Fernandez H.H. Update on Parkinson disease. Cleve Clin. J. Med. 2015; 82 (9): 563–568.
DOI: 10.3949/ccjm.82gr.15004.
12. Heredia-López F.J., May-Tuyub R.M., Bata-García J.L., Góngora-Alfaro J.L., Alvarez-Cervera F.J. A system for automatic recording and analysis of motor activity in rats. Behav. Res. Methods. 2013; 45 (1): 183–190. DOI: 10.3758/s13428-012-0221-1.
13. Bötzel K., Marti F.M., Rodríguez M.Á., Plate A., Vicente A.O. Gait recording with inertial sensors – How to determine initial and terminal contact. J. Biomech. 2016; 49 (3): 332–337. DOI: 10.1016/j.jbiomech.2015.12.035.
14. Jordbru A.A., Smedstad L.M., Moen V.P., Martinsen E.W. Identifying patterns of psychogenic gait by video-recording. J. Rehabil Med. 2012; 44 (1): 31–35. DOI: 10.2340/16501977-0888.
15. Snider J., Plank M., Lee D., Poizner H. Simultaneous neural and movement recording in large-scale immersive virtual environments. IEEE Trans Biomed. Circuits Syst. 2013; 7 (5): 713–721. DOI: 10.1109/TBCAS.2012.2236089.
16. Mezhdunarodnaya statisticheskaya klassifikatsiya bolezney i problem, svyazannykh so zdorov'em, 10-go peresmotra, onlayn versiya [International Statistical Classification of Diseases and Related Health Problems, 10th revision, online version]. Available at: http://mkb-10.com/ (accessed: 08.10.2018) (in Russian).
17. Hoehn M.M., Yahr M.D. Parkinsonism: onset, progression and mortality. Neurology. 1967; 17: 427–442.
18. IBM Watson, onlayn versiya [IBM Watson, online version]. Available at: https://www.ibm.com/watson/ (accessed: 18.10.2018) (in Russian).