Grundlegende Problemstellung und Zielsetzung

Allgemein:

Das idiopathische Parkinson-Syndrom ist eine neurodegenerative Erkrankung, die typischerweise zu einer Verlangsamung der Bewegungen (Bradykinese), einer vermehrten Muskelsteifigkeit (Rigor) und zu Zittern der Extremitäten (Tremor) führt. Mithilfe von tragbaren elektronischen Geräten wie Smart Watches und Smartphones lassen sich Bewegungsanalysen im Alltag erfassen und auch Störungen physiologischer Bewegungsabläufe erkennen.

Problem:

Bisherige Studien beschäftigen sich hauptsächlich damit, die Symptome und deren Vorkommen über Smartphones und Wearables zu überwachen. Um die Betreuung von Patienten und Patientinnen nachhaltig verbessern zu können, muss das häusliche Umfeld und somit der Alltag mehr in Studien mit einbezogen werden. Je patientenzentrierter ein System ist, desto höher ist auch der Grad der Betreuung, die ein einzelner Patient*in erhält.

Ziel:

Ziel ist es, basierend auf im häuslichen Umfeld aufgenommenen Daten eine Vorhersage über den Medikationszustand von Patienten und Patientinnen zu machen.

Keywords / Stichworte: Eingebettetes Lernen, Lernende Assistenzsysteme, Intelligente Zustandsüberwachung

Technisches System

Die ML-Lösung wird auf Grundlage der App PD Assist und der öffentlichen Parkinson Studie mPower [Bot+16] entwickelt. Eine anschließende App-basierte Studie in der Behandlung von Patienten und Patientinnen mit dem idiopathische Parkinson-Syndrom ist geplant.

[Bot+16] Bot, Brian M., et al.: „The mPower study, Parkinson disease mobile data collected using ResearchKit”. In: Scientific Data 3, 2016. DOI: 10.1038/sdata.2016.11.

Welche Sensoren sind in der Technologie integriert?

Beschleunigungssensoren
Gyroskop

Welche Daten werden erhoben?

Demografischen Daten wie Alter, Geschlecht und Dauer der Erkrankung.
Bewegungsdaten für die aufgezeichneten Aufgaben. Jede Aufzeichnung beinhaltet jeweils die Bewegungsdaten für drei Teilaufgaben Gehen, Umdrehen und Stehen. Die Teilaufgaben enthalten jeweils die Beschleunigungsmesswerte (x, y, z) in [m/s^2].
Das Smartphone soll sich während der Durchführung in der Hosentasche des Probanden befinden. Vor Durchführung der Aufgabe müssen die Probanden einen Medikationszeitpunkt angeben. Bei diesem wird zwischen „Ich nehme keine Parkinson-Medikamente,“ „Kurz nach der Einnahme von Parkinson-Medikamenten,“ „Ein anderes Mal“ und„Unmittelbar vor der Einnahme von Parkinson-Medikamenten“

Wie werden die Daten behandelt?

Probanden, die nicht am idiopathische Parkinson-Syndrom erkrankt sind und in der Studie gesunde Vergleichspersonen darstellen, wurden aus den Daten entfernt, da sie für die Klassifikation des Medikationszustandes (ON- und OFF-Phase) nicht relevant sind.
Für die bessere Einordnung des Geschlechtes, welches beim idiopathische Parkinson-Syndrom eine Rolle auf die Erkrankung hat, wurden Daten von Probanden entfernt, die kein Geschlecht angegeben haben.
Limit für das Alter der Probanden ist >50 Jahre.
Spaltung der Daten etwa im Verhältnis 80% (Training) zu 20% (Test), die zudem sicherstellt, dass nicht dieselben Gruppe sowohl in den Test- als auch in den Trainingsmengen vertreten ist.

Lösungsansatz

ML-Methode:

Modellentwicklung von vier Klassifikatoren (Support-Vector-Machine, Decision Tree, Random Forest und K-Nearest-Neighbor).

Nach welchen allgemeinen inhaltlichen Kriterien werden Entscheidungen getroffen? Wie ist deren Gewichtung?

Als Basis für die binäre Klassifikation des ON- und OFF-Zustandes bei Patienten und Patientinnen werden die zum Zeitpunkt der Aufgabe gespeicherten Medikationszeitpunkte herangezogen. Der Zeitpunkt „Unmittelbar vor der Einnahme von Parkinson-Medikamenten“ wird mit dem OFF-Zustand verknüpft und der der Zeitpunkt „Kurz nach der Einnahme von Parkinson-Medikamenten“ mit dem ON-Zustand. Die anderen Medikationszeitpunkte werden nicht berücksichtigt, da die subjektive Bewertung der Zeitpunkte der Patienten und Patientinnen zu ungenau ist.

Werden neue Merkmale erarbeitet, die nicht speziell erfasst werden (z.B. Kombination erhobener Merkmale)?

Folgende Merkmale werden verwendet: Alter, Geschlecht, Dauer der Erkrankung, Mittelwert, Standardabweichung, Sample Entropy, Approximate Entropy, Spectral Entropy und Dominante Gangfrequenz.

Nach welchen allgemeinen inhaltlichen Kriterien wird gelernt?

Anhand der Sensordaten eines Smartphones werden die Medikationszustände bei Patienten und Patientinnen klassifiziert. Hierfür werden aus den Accelerometer- und Gyroskopdaten statistische, frequenzbasierte und datenbezogene Merkmale berechnet. Nach einer Anpassung der Kriterien für Patienten, die mit in die Modellentwicklung aufgenommen werden und einer Ausreißerdetektion in den Datensätzen kann als bestes Modell ein Random Forest herausgestellt werden.

Präsentationen und Publikationen

Binöder, V. (2021). Sensorbasierte Bewegungsanalyse für die Medikationsanpassung bei Parkinson mit Methoden des maschinellen Lernens. Bachelorarbeit.