厦门论文发表-商用可穿戴设备和智能手机应用在识别帕金森病运动状态中的可行性和患者可接受性
抽象
在帕金森病（PD）症状的量化中，目前使用医疗保健专业人员评估，患者报告结果（PRO）和医疗设备级可穿戴设备。最近，商用智能手机和可穿戴设备也在积极研究检测PD症状。使用这些设备连续、纵向和自动检测运动症状，尤其是非运动症状仍然是一个需要更多研究的挑战。从日常生活中收集的数据可能很嘈杂，并且经常包含伪影，因此需要新的检测方法和算法。使用Garmin Vivosmart 42可穿戴设备对23名PD患者和4名对照受试者进行监测，并要求在家中使用移动应用程序填写症状和药物日记约四周。后续分析基于来自设备的连续加速度计数据。重新分析了左旋多巴反应研究（MJFFd）的加速度计数据，并使用数据中存在的专家评估训练的线性光谱模型量化症状。变分自动编码器（VAE）在我们的研究加速度计数据和MJFFd上进行了训练，以检测运动状态（例如，行走，站立）。在研究期间，共记录了7590个自我报告的症状。88.9%（32/36）的PD患者，80.0%（4/5）的DBS PD患者和95.5%（21/22）的对照组患者报告说使用可穿戴设备非常容易或容易。70.1%（29/41）的PD受试者评估为非常容易或容易记录事件发生时的症状。 收集的加速度计数据的汇总频谱图显示患者低（<5Hz）频率的相对衰减。类似的谱图也将症状期与紧邻的非症状期区分开来。线性模型将症状与相邻经期分开的判别能力较弱，但总体显示患者与对照组的部分可分离性。该分析揭示了运动任务中差异症状的可检测性，激发了研究的第三部分。在任一数据集上训练的VAE产生了嵌入，从中可以预测MJFFd中的运动状态。VAE模型能够检测运动状态。因此，使用具有良好信噪比的加速度计数据的VAE预先检测这些状态，并随后量化PD症状是一种可行的策略。数据收集方法的可用性对于PD患者能够收集自我报告的症状数据非常重要。最后，数据收集方法的可用性对于PD患者能够收集自我报告的症状数据非常重要。
数字
Fig 7Fig 8图1图2图3Fig 4Table 1Table 2Table 3Fig 5Fig 6Fig 7Fig 8图1图2图3
引文： Liikkanen S， Sinkkonen J， Suorsa J， Kaasinen V， Pekkonen E， K?rpp? M， et al. （2023） 市售可穿戴设备和智能手机应用在识别帕金森病运动状态方面的可行性和患者可接受性。公共科学图书馆数字健康 2（4）： e0000225. https://doi.org/10.1371/journal.pdig.0000225
编辑 器： 达尼洛·帕尼，卡利亚里大学：意大利卡利亚里大学
收到： 24月 2022， 3;接受： 2023月 7， 2023;发表： <>月 <>， <>
版权所有： ? 2023 Liikkanen 等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。
数据可用性： 研究报告表和列表： https://www.kaggle.com/datasets/sammeliliikkanen/supporting-material-daisy-report-listings?select=DAISY+3128001+Report+listings.pdf 可穿戴数据集： https://zenodo.org/record/7733019#.ZBCIny8RoQ0 0MJFF数据集可以通过MJFF从以下位置访问： https://www.synapse.org/#!Synapse:syn20681023/wiki/.
资金： 这项研究由芬兰Orion Corporation Orion Pharma和意大利Healthware Group资助。猎户座公司参与了研究设计、数据收集和分析、出版决定以及手稿的准备。健康集团参与数据收集。Sammeli Liikkanen、Toni Sarapohja和Mikko Kuoppam?ki作为芬兰Orion Corporation Orion Pharma的员工领取薪水。Tapani Ker?nen、Janne Sinkkonen、Joni Suorsa 和 Teppo Huttunen 从芬兰 Orion Corporation Orion Pharma 获得了咨询费。为Valtteri Kaasinen，Eero Pekkonen，Filip Scheperjans和Mikko K?rpp?支付了机构费用。Ullamari Pesonen没有收到与这项研究相关的任何费用。
竞争利益： 作者已阅读该期刊的政策，本手稿的作者具有以下竞争利益：Sammeli Liikkanen，Toni Sarapohja和Mikko Kuoppam?ki是芬兰Orion Corporation Orion Pharma的员工。Janne Sinkkonen，Joni Suorsa和Teppo Huttunen是芬兰Orion Corporation Orion Pharma的付费顾问。Valtteri Kaasinen因Nordic Infucare和Abbvie的演讲而获得酬金;是艾伯维北欧富豪护理顾问委员会成员;已收到Orion Pharma，Adamant Health，Abbvie和Nordic Infucare的咨询费;并参与了猎户座制药的临床试验。Eero Pekkonen是MDS非机动性帕金森病研究小组的成员，一直是芬兰国际ADROIT研究（Abbott DBS适应症结果登记处）的PI，是芬兰患者保险中心的咨询神经学家，是Abbvie，Nordic Infucare顾问委员会成员，已收到波士顿科学公司的咨询费， Nordic Infucare AB和Abbvie，并已从Abbvie，Nordic InfuCare获得讲座费。Filip Scheperjans是NeuroInnovation Oy和NeuroBiome Ltd.的创始人兼首席执行官，是科学顾问委员会的成员，并获得了Axis Biotherapeutics的咨询费和股票期权;已获得芬兰学院、赫尔辛基医院区和Uusimaa、OLVI基金会、Konung Gustaf V：s och Drottning Victorias Frimurarestiftelse、威廉和艾尔斯斯托克曼基金会、Emil Aaltonen 基金会、Yrj? Jahnsson 基金会、雷尼绍的资助，以及艾伯维、猎户座、通用电气医疗、默克、Teva、百时美施贵宝、赛诺菲和渤健的酬金。Ullamari Pesonen正在与Orion Pharma合作。Tapani Ker?nen已从Orion Pharma获得与本研究相关的工作的补偿。
介绍
帕金森病（PD）是最常见的神经退行性疾病之一，患病率为1-2例/1000，随年龄增长而上升[1]。该病主要累及特定脑区黑质的多巴胺能神经元，导致典型的运动症状[2]。PD患者还会出现便秘、直立性低血压、抑郁、焦虑和认知问题等非运动症状，甚至可能先于运动症状出现[2]。由于疾病修饰治疗仍有待发现，因此了解疾病的主观性质、患者如何看待他/她的症状，以及运动和非运动症状如何与PD的当前治疗相关联，对于有效个性化治疗至关重要[3]。
大多数PD患者接受多巴胺前体左旋多巴（LD）治疗[4]。随着PD的进展，由于LD血浆浓度的变化，患者开始出现磨损症状，即震颤和活动度波动以及出现不自主运动（运动障碍）[4]。晚期LD治疗的患者可能会出现快速运动症状加重，即ON-OFF现象[5]。
已经开发了各种量表和日记工具来评估和记录PD症状，但这些工具具有一定的局限性，可能会给患者带来额外的负担[6，7]。评估量表容易产生主观解释，患者记忆功能不足可能影响日记数据的可靠性[6，8]。持续监测PD患者的运动和非运动症状，将为改善标准治疗的治疗方案提供机会，特别是在评估治疗效果的准确性至关重要的临床试验中[9]。患者和医疗保健专业人员都看到了可穿戴监测技术在补充和改善PD护理方面的前景[8，10]。已经提出了几种持续监测PD的解决方案[11，12]。许多技术需要使用连接到身体的多个传感器[11-13]。然而，PD患者更喜欢小型且易于使用且不会干扰其日常生活的设备[8，10]。一些研究评估了使用智能手表和智能手机收集数据的可行性和准确性[14-16]
已有关于从可穿戴数据中检测帕金森症状的实质性文献[17，18]。在本研究中，我们探讨了将商用可穿戴设备与移动应用程序一起使用是否可以捕获数据，从而进一步可靠地评估PD患者的运动波动和运动障碍。该研究的主要目的是从市售Garmin Vivosmart 4可穿戴设备和移动应用程序收集的真实世界数据中，以合理的准确性识别受试者所感知的OFF症状。
由于我们自己的数据是在现实世界中收集的，因此很嘈杂，而且种群规模有限，我们还从迈克尔·J·福克斯基金会资助的左旋多巴反应研究中获取并重新分析了一个数据集（“MJFFd”）[16]。从MJFFd中，我们发现在特定运动活动中更容易发现症状。这是因为患者在任务期间的运动状态会影响症状检测。为了解决这个问题，我们训练了一个深度学习模型VAE，以压缩来自加速度计信号的信息[19]。为了检查VAE是否有效，我们用它来根据加速度计数据生成的表示来预测正在执行的运动任务。VAE预测的准确性表明，它能够捕捉到有意义的运动状态。因此，VAE或类似的无监督模型将来可用于检测症状突出的运动状态。
材料和方法
研究描述
这是一项开放的、非随机的、真实世界的数据研究。纳入符合PD诊断标准的患者[20]，接受LD治疗，并有运动波动史，即每日LD治疗相关的震颤严重程度，运动迟缓和/或强直的变化。六名晚期PD患者使用深部脑刺激（DBS）设备。两名患者拥有Activa PC（美敦力）和四个St. Jude Medical Infinity（Abbott）电极。参与者在赫尔辛基大学医院，奥卢大学医院和图尔库大学医院的门诊由具有PD专业知识的神经科医生招募。
所有受试者都对自愿参与研究给予了书面知情同意。该研究已获得芬兰皮尔坎马医院区研究伦理委员会的批准（R19051 June 4th，2019）。
在研究期间，对研究地点进行了两次访问。第一次访问是筛查和培训相结合的访问。筛查（基线特征，Hoehn和Yahr分期以及统一帕金森病评定量表（UPDRS部分I-IV））由研究者进行，培训由研究护士提供。在这次访问之后，研究对象的日常生活被跟踪了大约四周的可穿戴设备。该随访期包括两个为期3天的密集数据收集期，特别要求受试者非常准确地报告其所有症状。对研究中心的第二次访问（研究结束访问）在随访期结束后7天内进行。在研究访问结束时，研究护士为PD患者评估了UPDRS II（日常生活活动的自我评估）量表。此外，研究护士也采访了该受试者，为所有受试者填写了一份可用性问卷。研究设计如图1所示。
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图1. 研究设计。
https://doi.org/10.1371/journal.pdig.0000225.g001
研究干预是Garmin Vivosmart 4（固件版本为v3.10，v4.00，v4.10和v4.20），由供应商在研究期间自动更新。然而，由于运动数据的数据分析是基于直接从加速度计传感器访问的原始数据，这些更新对结果和专门为本研究设计和构建的定制Android移动应用程序（小米手机与Android v8.10）没有影响。该应用程序包括三个关键功能：
左旋多巴和其他PD相关用药时间表的药物提醒功能，在筛查/培训访问时与研究护士一起设置，
症状收集功能，受试者能够在症状期间和/或回顾性地记录运动和非运动症状，以及
Garmin 可穿戴数据（以及患者报告的数据）通过移动网络从移动应用程序自动传输到服务器。
Garmin 可穿戴设备和移动应用程序都设置为使用相同的时钟服务器，以确保受试者准确标记数据。加速度计原始数据为采样率为50Hz，心率Hz和心率变异Hz。图2描述了可穿戴和移动应用的高级数据采集架构，图3显示了移动端的示例屏幕。
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图2. Garmin 可穿戴设备和移动应用程序的数据收集架构。
https://doi.org/10.1371/journal.pdig.0000225.g002
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图3. 移动应用程序功能示例（从左到右：主页、添加症状、用药提醒和报告症状列表）。
https://doi.org/10.1371/journal.pdig.0000225.g003
计划的受试者总数为50人（30名PD受试者和20名没有PD的对照受试者）。实际入组受试者人数为65人（42名PD受试者和23名无PD的对照受试者）。这种差异是由于对参与的高度兴趣。在65名受试者中，由于过早停药（3名受试者）或技术数据传输问题（2名受试者），1名受试者（均为PD患者）几乎没有真实世界的数据可用于分析。这些受试者的数据未用于分析。
统计方法
使用描述性统计总结人口统计学和基线特征以及所有适用的疗效和安全性数据。本研究没有指定正式的统计假设。受试者人数基于区分PD受试者和对照受试者所需的事件的假设。没有使用正式的样本量计算。使用R和Stan的探索性数据分析分析了随访期间从PD和无PD受试者收集的可穿戴和移动设备数据。
症状日记数据
在随访期间，使用市售Garmin Vivosmart 4可穿戴设备的传感器测量和收集所有受试者的日常生活以及运动和非运动数据。使用移动设备应用程序从PD受试者那里收集左旋多巴治疗摄入量和主观症状数据。症状是通过允许受试者通过按下一个特定的按钮来报告“糟糕的时刻”来收集的，该按钮旨在在移动应用程序的首页中轻松访问。一旦症状结束，受试者就可以相应地通过首页中类似的一个按钮结束症状报告。在此之后，要求受试者通过从预定义列表中选择正确的症状（震颤，僵硬，缓慢，运动障碍，平衡，睡眠障碍，焦虑，头晕，幻觉，嗅觉或味觉症状，排尿症状）来对这种症状进行分类） 内置于应用程序中或作为自由文本在“其他”标题下。在分析中，症状分为震颤和其他运动症状。总共有来自578个震颤事件和2253个有其他症状的事件的传感器数据。
加速度计数据
仅使用来自可穿戴设备的三轴加速度计的数据。凭借其50 Hz的记录速率，对65536个样本块（每个样本21.8分钟）进行了光谱分析，这些样本交错进行双覆盖。选择21.8分钟的时间尺度与日记中报告症状的时间尺度相似，通常约为数十分钟。通过样本的时间戳发现的具有明显采样问题的块被丢弃。总共有62个受试者的录音涵盖了191，411个区块，其中169，627个（总共88%被接受）。
光谱预处理流水线
频谱处理包括快速傅立叶变换（FFT），以及随后计算10-15个箱的对数dB级功率谱，具体取决于分析，对数间隔。除了原始通道（x，y，z）之外，我们还计算了辅助派生通道。与原始通道相比，这些虚拟通道集都没有显着改善信噪比，但为了完整起见，我们在这里描述了它们，它们也出现在后面的分析中。
第一组派生通道与重力（g）的估计值及其时间差分（此处称为dg，ddg）对齐，它们与g正交。由于缺乏陀螺仪，重力只能或多或少地估计得很差。我们对g的估计是通过（因果）0.1Hz低通滤波获得的;当主体静止时，这给出了一个很好的近似值，否则不会。这为我们提供了另一个用于测量的移动坐标系。然而，目的只是获得另一个可能有用的移动坐标系进行测量。
第二组派生通道（*-PC1，*-PC2）是通过首先取正交通道三元组（上述两个中的任何一个）获得的，然后在FFT之后找到每个频率和样本的两个振荡主轴，由频率上描述的两个振荡主轴三个复数并测量这些振荡的幅度。从技术上讲，这是矩阵的特征值分解。吸引人的是，这两个派生通道对于设备坐标系的（固定）旋转是不变的。
本文中的判别模型是线性的，基于加速度计信号的对数（dB标度）功率谱。
症状事件的表征和可分离性
从加速度计信号中检测到的症状只能通过地面事实进行比较来准确评估。与MJFF研究相反，在MJFF研究中，第三方以时间准确的形式提供症状评估，我们的基本事实基于患者日记条目。这些条目可能并不总是在症状实际发生期间记录，并且报告的持续时间有时可能比症状的实际持续时间长。因此，我们选择将分析同步到报告的症状期的中间，并拒绝报告持续时间超过两小时的症状。
为了表征症状的平均强度（此处由i索引，忽略受试者身份）围绕中心时间戳（在相对时间t）以及频率（f）和通道（c），我们使用阶乘模型分别用于震颤和其他症状。作为其输出，这样的模型产生三个包络（分别针对两种症状类型;见图4）：时间形状，光谱形状和跨通道强度。如果我们用 表示症状 i 的对数幅度，则模型简单为 ，其中系数 u、v 和 w 分别表征症状的时间、频率和通道形状，b 是截距（基线），σ2误差方差。该模型使用Stan的优化功能拟合了最大似然，在这种情况下相当于最小二乘。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图4. 震颤症状数据（顶部）和其余症状数据（底部）的光谱、时间和跨通道包络。
https://doi.org/10.1371/journal.pdig.0000225.g004
使用 MJFF 数据集的方法
MJFF 左旋多巴反应研究数据集包含来自 30 名参与者的加速度计测量值，有和没有左旋多巴输注（后面讨论中的“药物状态”），在不同的任务中，以及任务中的一些重复。对于这些重复中的每一个，或上述变量的组合，震颤、运动迟缓和运动障碍由外部观察者评分到序数量表上。在所有可用数据中，我们只使用了惯用手的加速度和观察者的分数。
为了获得加速度计数据中看到的重复症状的标量度量，我们根据加速度计数据的频谱特征为每个症状训练了有序（线性）回归模型。对模型进行L2正则化，并交叉验证正则化系数。这给我们留下了三个模型，每种症状类型（震颤，运动迟缓，运动障碍）一个。然后用模型对重复进行评分，以获得症状指标（“加速度计分数”），与观察者分数平行，这只是加速度计数据的函数。
MJFF数据的光谱分析管道与我们自己的数据大致相同，如上所述。使用了所有三个原始加速度计通道，以及三个派生的“g通道”（g，dg，ddg），所有通道都具有11个具有对数位置的频率箱，用于对数，dB级频谱功率特征。
有了可用的观察者和加速度计分数，我们研究了由这些分数定义的症状如何受到药物状态和任务的影响，并控制了受试者水平的变化。为此，我们使用贝叶斯线性模型对分数进行建模，这些模型具有不同复制水平（受试者，任务，药物状态，访问中的会话数）的随机效应项。加速度计评分模型具有多正态残差（所有症状合并到同一模型中）。观察者模型具有有序逻辑（并且是分开的，因为缓动力分数有很多缺失值）。这些模型使用R包brms[21]安装了Stan。
训练变分自动编码器 （VAE）
在监督学习情况下，标记数据的生成成本很高，但未标记数据很便宜，这是一种常见的方法是将无监督学习和监督学习结合起来。无监督学习部分通常使用与任务相关的大量数据，但没有专门为其标记。选择一个合适的模型，该模型可以学习未标记数据的一般表示，然后将其用作具有特定于任务的标记数据的下游预测任务的输入。
为了测试VAE是否可以从加速度计数据中创建运动状态（MJFFd中的不同运动任务）的有用表示，我们使用MJFFd数据的一个子集首先训练VAE，然后使用经过训练的VAE为加速度计数据创建表示，其任务是预测患者正在执行哪些预定任务。
结果
背景变量
研究包括42名PD患者和23名对照组。其中六名PD患者有DBS（DBS PD）设备。总体而言，PD患者和对照组之间的一般人口统计学和基线特征相似（表1）。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
表 1. 研究人群的人口统计数据。
https://doi.org/10.1371/journal.pdig.0000225.t001
除一人外，所有DBS PD受试者在筛查访问时均服用左旋多巴药物。在42名PD受试者（包括DBS PD）中，34名受试者除了左旋多巴，多巴胺激动剂（67%的患者）和单胺氧化酶B抑制剂（61%的患者）显然是这些药物中最常见的类别。
功效和可用性
PD受试者的UPDRS第二部分总分在筛查和研究结束时相似（两个时间点的中位数得分为12.5）。63名受试者中有36名（5名PD患者，22名DBS和65名对照受试者）回答了可用性问题，但有些受试者并未回答所有问题。可用性评估可以从表2中看出，尽管有一些东西（例如，设备充电和记录当前的不良时刻）需要改进，但整体可用性在实践中使所需的研究得以进行。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
表 2. 可穿戴设备和移动应用程序的可用性。
https://doi.org/10.1371/journal.pdig.0000225.t002
症状记录
在42名PD受试者中，40名（95.2%）在应用中共记录了7590种症状（运动，非运动或其他）（表3）。共有39名受试者（92.9%）报告了4492种运动症状（预定义或其他），其中报告最多的是强直（1513名受试者中有36起事件[85.7%]），缓慢（1327名受试者中有37起事件[88.1%]）和震颤（925名受试者中有30起事件[71.4%]）。
1502名受试者（35.83%）在3次报告了非运动症状（预定义或自我描述）。报告最多的非运动症状是疼痛（893名受试者中有26起事件[61.9%]），其次是头晕（182名受试者中有16起事件[38.1%]）、泌尿功能障碍（177名受试者中有10起事件[23.8%]）和睡眠障碍（118名受试者中有20起事件[47.6%]）。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
表 3. 移动应用程序中报告的PD症状的事件计数以及至少报告过一次该症状类型的受试者的相对数量。
https://doi.org/10.1371/journal.pdig.0000225.t003
光谱特征上的线性模型看到信号
作为可行性检查，所有数据的总汇总显示患者与对照组的部分可分离性，基于低频率与高频率（截止频率≈5Hz）的比率。类似的谱图也将症状期与紧邻的非症状期区分开来。
为了了解疾病的光谱效应，图5显示了患者和对照组之间的光谱差异;z分数用于所有数据的dB级光谱的块平均值（因此忽略注释，以及作为复制单元的患者）。Z 分数计算为 ，其中平均值是目标频率下 21.8 分钟块上的对数幅度平均值，对于患者 （P） 和对照组 （C），var 是方差，n 是块数。接下来，通过使用X通道光谱将患者与对照组分开。留一 ROC 如图 6 所示。使用所有可用的预处理可穿戴数据，可以观察到对患者和对照组的有希望的（AUC = 0.895）分类，但没有注释将患者与对照分开仍然不完整。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
Fig 5. Temporally aggregated power spectra of device and g-aligned channels patients vs. controls.
https://doi.org/10.1371/journal.pdig.0000225.g005
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图6. 留一ROC 曲线 （AUC = 0.895）。
https://doi.org/10.1371/journal.pdig.0000225.g006
通过方法部分中描述的注释和因子模型，可以使用光谱、时间和跨通道包络来表征患者的症状事件，如图 4 所示。顶行用于震颤症状，底行用于其余部分。震颤事件在5 Hz左右有一个相当惊人的频谱尖峰，在较低频率下衰减，而其他症状只是显示低频衰减。震颤在时间上更集中在报告的时间前后。信道响应显示出不同的可见性，派生的虚拟信道（g、dg 等）并不明显比物理信道（x、y、z）差或更好。震颤在 X 通道上不太明显，因为该通道与肢体平行。
MJFFd分析表明，信号可见性取决于运动状态
药物状态对症状的影响可以在观察者和加速度计评分中看到，并且具有预期的极性，这意味着运动障碍被放大，运动迟缓和震颤因左旋多巴治疗而减弱。我们在图7中展示了对缓动力加速度计分数的影响，其余的可以在S1图到S3图中找到。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图 7. 根据加速度计数据（x 轴）预测的药物对症状严重程度的影响，以及效应的相对强度（MJFFd 中不同任务的 y 轴。
https://doi.org/10.1371/journal.pdig.0000225.g007
在图中，任务类型由首字母缩略词表示（同样，完整列表见 S2 图）。X 轴显示与药物状态的差异，y 轴显示线性光谱模型看到的症状信号强度。其中，左旋多巴（x）的效果更有意义，因为它显示了在恒定运动状态下控制良好的操作的效果。我们看到任务之间的明显差异;特别是Ramu（重复的手臂运动，非惯用手）和FTNU（手指到鼻子，非优势）是歧视性的，还有wlkgp（穿过狭窄的通道），wlkgc（边数边走）和Ntblt（组装螺母和螺栓）。其他症状类型在药物作用方面表现出更大的不确定性（S2图和S3图），但值得注意的是，ramu和ftnu再次显示出良好的运动障碍鉴别能力。轴上的刻度是可相称的，但在其他方面是人为的。
我们对观察者分数进行了类似的分析;这些也以 S4 图到 S6 图的形式提供。建模的不确定性更高，表明与加速度计相比，观察者分数中的噪声更多。部分由于噪声，很难说跨任务的症状可见性是否与加速度计相似，但差异并不意外，因为显然视觉与动力学可观察性可能因情况而异。
总之，这些结果表明，即使是简单的线性模型也能够从加速度计数据中看到症状信号，并且它们的能力受到受试者的任务或运动状态的调节。
VAE允许分离运动状态
VAE是使用PyTorch实现的。编码器是一个两层全连接神经网络，第一层和第二层的节点数分别为400和20，使用了对称解码器。从MJFFd中，我们选择了一部分右手患者，他们在右手上佩戴加速度计。VAE使用10秒的三通道加速度计数据块进行训练。
我们使用给定加速度计数据块的 20 维潜在表示，用于不同运动任务的下游分类任务（S2 图）。分类是通过使用一个完全连接的神经网络来完成的，该神经网络有两个隐藏层，每个隐藏层有 50 个节点，每个隐藏层来自 scikit-learn 库。分类准确性通过五重交叉验证确定。进一步的验证是通过对来自一个测试点的患者进行VAE模型训练，并使用来自另一个测试点的患者进行交叉验证的分类来完成的。作为第二个测试，我们使用自己的患者加速度计数据训练VAE，并对MJFFd群体执行预测任务。
在 MJFFd 上训练模型时，我们获得了 0.48 个不同任务的平均分类准确率。当模型在我们自己的加速度计数据上训练并在 MJFF 数据上进行测试时，我们获得的平均分类精度为 0.41。随机猜测将给出大约 1/18 （~6%） 的粗略基线准确度。混淆矩阵（图8）的一个显着特征是相似任务之间的混淆分组：左上角表示行走任务之间的混淆，右下角表示精细运动任务之间的混淆。由于有些任务是单方面执行的，我们也可以看到不执行的手大致静止的任务之间的混淆：坐着，手指到鼻子左，手臂向左重复移动。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图8. 一个混淆矩阵，用于使用在MJFFd上训练的VAE的表示来预测任务。
来自波士顿站点的数据用于训练，来自纽约市站点的数据用于测试。
https://doi.org/10.1371/journal.pdig.0000225.g008
在这两种情况下，预测器将任务区分为远高于随机猜测，无需任何调整，这意味着VAE学习了有意义的运动状态表示。
讨论
在这项试点研究中，我们使用消费级加速度计和移动应用程序来监测帕金森病（PD）的症状。通过对左旋多巴反应研究数据（MJFFd）的分析，我们还发现运动状态会影响PD症状的可见性。此外，我们发现无监督变分自动编码器（VAE）可以相对容易地估计运动状态。
本研究中使用商用可穿戴设备和定制移动应用程序的数据收集安排的设计和可用性是成功的。每个队列中80.0%或更多的受试者评估一整天或整夜佩戴该设备非常容易或容易。此外，绝大多数PD患者认为提醒是有帮助的，症状记录很容易/非常容易。研究参与者的媒体年龄低至63（43-75）岁，这可以被视为本研究的局限性。然而，我们没有注意到任何与年龄相关的可用性困难，这表明老年人也能够使用可穿戴和移动设备。此外，纳入标准中的年龄上限设定为75岁。回想起来，这应该设定得更高，因为我们在招聘期间确实收到了80岁以上的人的兴趣。
患者自我报告了总共7590个症状事件，显示出数据收集的潜力。仅症状报告或其数量可能是有用的，至少在纵向上是有用的。例如，在我们的研究中，DBS患者报告的非运动症状非常少。然而，从普遍性的角度来看，最好理解事件不会在患者之间均匀分布，因此有效患者数量小于研究参与者的数量。将事件报告与来自商用设备的加速度计数据相结合，为了解症状、改善药物和整体护理提供了可能性。
监督模型的数据收集需要症状的存在和严重程度的基本事实。与模型已经存在时进行监测相反，此类研究需要更严格的设计，并且对患者来说可能更麻烦。例如，症状日记的时间准确性至关重要，症状评估的准确性也至关重要。已知后者很困难，即使有录像和训练[8，22]。
如果目标是在症状检测模型的训练中对比有症状和无症状的时期，则不清楚对照应该是什么。例如，运动通常不会发生在睡眠期间，并且由于我们不希望模型预测唤醒状态，因此应该检测并删除睡眠，或者应该在模型中控制唤醒。但是睡眠没有明确的定义，唤醒不容易测量，并且出现了关于其他潜在混杂因素的问题，包括技术因素，例如佩戴设备的意愿，以及更普遍的数据质量。使用无监督模型预先选择运动状态并不能解决这些问题。
症状量化的建模管道相对简单，块的功率谱后跟线性模型或“广义线性模型（GLM）。症状类型具有特征光谱形状，主要在数据集中复制，并且从我们自己的数据收集来看，相当宽的时间包络，表明症状持续时间长或症状日记的时间分辨率低。任何加速度计通道都没有显示出明显的优势，包括我们派生的虚拟通道（除了肢体方向的低震颤幅度）。我们没有尝试鉴别性症状检测。
在我们的分析中，除VAEs外的数据以21.8分钟为单位，因为它被评估为与症状日记的时间尺度相符。当从原始数据中动态检测到症状时，更短的间隔将是有益的。即使在十秒块（VAE使用的时间尺度）中，光谱分辨率也足够了。
从加速度计信号的简单模型可以看出，MJFF 左旋多巴研究表明，在一些精细运动任务中，运动迟缓和运动障碍信号的放大，行走时运动迟缓也出现。MJFF实验中存在的这些和其他运动状态可以从使用VAE创建的无监督表示中检测到，并且模型的检测能力在数据集中保持不变。需要进一步研究将VAE的运动状态检测与实际症状检测相结合。
该研究的主要目的是从市售Garmin Vivosmart 4可穿戴设备和移动应用程序收集的真实世界数据中，以合理的准确性识别受试者所感知的OFF症状。对于运动关闭症状，我们的发现很有希望。显然，需要对更大的人群进行更多的研究和改进的数据收集方法。虽然我们没有展示完整方法的潜力，但我们相信，有了更多的患者数据，人们可以训练模型来检测有用的运动状态，然后使用监督模型或其他方法来评估选定时期的症状。这可以提供受控测量的一些好处，而不会产生成本、不便和合规性问题。模型训练可能需要同时具有不受控制和受控部分的数据收集计划。对临床人群的普遍性需要比本研究更大的患者样本[23]。
支持信息
根据加速度计数据预测观察者分数的模型系数的 80% 置信区间。
显示 1/6： pdig.0000225.s001.tif
跳到无花果共享导航
https://ndownloader.figstatic.com/files/40064665/preview/40064665/preview.jpg
1 / 6
下载
无花果分享
S1 图 根据加速度计数据预测观察者分数的模型系数的 80% 置信区间。
https://doi.org/10.1371/journal.pdig.0000225.s001
（提夫）
S2 图 药物对根据加速度计数据（x轴）预测的震颤症状严重程度的影响，以及在MJFF数据的不同任务下效应的相对强度（y轴）。
https://doi.org/10.1371/journal.pdig.0000225.s002
（提夫）
S3 图 药物对从加速度计数据（x轴）预测的运动障碍症状严重程度的影响，以及在MJFF数据的不同任务下效应的相对强度（y轴）。
https://doi.org/10.1371/journal.pdig.0000225.s003
（提夫）
S4 图 药物对观察者看到的运动迟缓症状严重程度的影响（x轴），以及MJFF数据不同任务下效应的相对强度（y轴）。
https://doi.org/10.1371/journal.pdig.0000225.s004
（提夫）
S5 图 药物对观察者看到的运动障碍症状严重程度的影响（x轴），以及MJFF数据不同任务下效应的相对强度（y轴）。
https://doi.org/10.1371/journal.pdig.0000225.s005
（提夫）
S6 图 药物对观察者看到的震颤症状严重程度的影响（x轴），以及MJFF数据不同任务下效应的相对强度（y轴）。
https://doi.org/10.1371/journal.pdig.0000225.s006
（提夫）
确认
我们要感谢所有作为受试者参与这项研究的人，以及迈克尔·J·福克斯基金会提供对他们数据集的访问并支持帕金森病的研究。
引用
1.Tysnes OB，Storstein A.帕金森病的流行病学。J 神经传输（维也纳）。2017;124(8):901–5.密码：28150045
查看文章PubMed/NCBI谷歌学术搜索
2.吕嘉熙， 郎AE.帕金森病。柳叶 刀。2015;386(9996):896–912.密码：25904081
查看文章PubMed/NCBI谷歌学术搜索
3.Leta V， Dafsari HS， Sauerbier A， Metta V， Titova N， Timmermann L， et al. 帕金森病的个性化先进疗法：非运动症状特征的作用。医学杂志 2021;11（8）.密码：34442417
查看文章PubMed/NCBI谷歌学术搜索
4.Bloem BR，Okun MS，Klein C. Parkinson病。柳叶 刀。2021;397(10291):2284–303.密码：33848468
查看文章PubMed/NCBI谷歌学术搜索
5.Sivanandy P， Leey TC， Xiang TC， Ling TC， Wey Han SA， Semilan SLA， et al. 帕金森病药物的系统评价，强调最近批准的三种控制帕金森症状的药物。国际环境研究公共卫生。2021;19(1).密码：35010624
查看文章PubMed/NCBI谷歌学术搜索
6.Antonini A， Martinez-Martin P， Chaudhuri RK， Merello M， Hauser R， Katzenschlager R， et al.帕金森病的磨损量表：批评和建议。运动障碍：运动障碍协会的官方期刊。2011;26(12):2169–75.pmid：21780180
查看文章PubMed/NCBI谷歌学术搜索
7.Shulman LM， Armstrong M， Ellis T， Gruber-Baldini A， Horak F， Nieuwboer A， et al. 帕金森病中的残疾评定量表：批评和建议。运动障碍：运动障碍协会的官方期刊。2016;31(10):1455–65.密码：27193358
查看文章PubMed/NCBI谷歌学术搜索
8.AlMahadin G，Lotfi A，Zysk E，Siena FL，Carthy MM，Breedon P.帕金森病：用于评估运动障碍运动症状的当前评估方法和可穿戴设备 - 患者和医疗保健专业视角。BMC神经学杂志. 2020;20（1）：419.密码：33208135
查看文章PubMed/NCBI谷歌学术搜索
9.Espay AJ， Hausdorff JM， Sánchez-Ferro á， Klucken J， Merola A， Bonato P， et al.使用移动健康技术获得的以患者为中心的帕金森病数字结果测量的实施路线图。运动障碍：运动障碍协会的官方期刊。2019;34(5):657–63.pmid：30901495
查看文章PubMed/NCBI谷歌学术搜索
10.肯尼 L， 摩尔 K， 奥里奥丹 C， 福克斯 S， 巴顿 J， 特德斯科 S， 等.帕金森病患者对疾病监测可穿戴设备的看法和需求：混合方法探索。JMIR 表格研究 2022;6（1）：e27418–e. pmid：34989693
查看文章PubMed/NCBI谷歌学术搜索
11.西卡 M， 特德斯科 S， 克劳 C， 肯尼 L， 摩尔 K， 蒂蒙斯 S， 等.使用惯性传感器对帕金森病进行连续家庭监测：系统评价。公共图书馆一号。2021;16（2）：e0246528.密码：33539481
查看文章PubMed/NCBI谷歌学术搜索
12.Morgan C， Rolinski M， McNaney R， Jones B， Rochester L， Maetzler W， et al. 系统评价着眼于使用技术来测量家庭或类似家庭环境中帕金森病的自由生活症状和活动结果。帕金森病杂志 2020;10（2）：429–54.邮编：32250314
查看文章PubMed/NCBI谷歌学术搜索
13.亚当斯JL，Dinesh K，Snyder CW，Xiong M，Tarolli CG，Sharma S等。帕金森病中可穿戴传感器的真实世界研究。NPJ帕金森病杂志 2021;7（1）：106-.密码：34845224
查看文章PubMed/NCBI谷歌学术搜索
14.席尔瓦·德·利马，哈恩·T，埃弗斯·LJW，德弗里斯NM，科恩·E，阿菲克·M等。在帕金森病中大规模部署多个可穿戴传感器的可行性。公共图书馆一号。2017;12（12）：e0189161.密码：29261709
查看文章PubMed/NCBI谷歌学术搜索
15.Heijmans M， Habets JGV， Herff C， Aarts J， Stevens A， Kuijf ML， et al. 在日常生活中监测帕金森病症状：可行性研究。NPJ 帕金森病杂志 2019;5：21.密码：31583270
查看文章PubMed/NCBI谷歌学术搜索
16.达诺特 JF， 维加拉-迪亚兹 G， 帕里西 F， 阿德马蒂 C， 阿方索 C， 贝尔托利 M， 等.加速度计数据使用一组最少的可穿戴传感器从帕金森病患者那里收集。科学数据。2021;8(1):48.密码：33547309
查看文章PubMed/NCBI谷歌学术搜索
17.Pfister FMJ， Um TT， Pichler DC， Goschenhofer J， Abedinpour K， Lang M， et al. 使用卷积神经网络检测帕金森病的高分辨率运动状态。科学代表 2020;10（1）：5860.密码：32246097
查看文章PubMed/NCBI谷歌学术搜索
18.San-Segundo R， Zhang A， Cebulla A， Panev S， Tabor G， Stebbins K， et al. 使用可穿戴加速度计在野外检测帕金森病震颤。传感器（巴塞尔）。2020;20(20).密码：33066691
查看文章PubMed/NCBI谷歌学术搜索
19.金玛DP，威灵M.自动编码变分贝叶斯。arXiv预印本arXiv：13126114。2013.
查看文章谷歌学术搜索
20.Postuma RB， Berg D， Stern M， Poewe W， Olanow CW， Oertel W， et al. MDS帕金森病的临床诊断标准。运动障碍：运动障碍协会的官方期刊。2015;30(12):1591–601.密码：26474316
查看文章PubMed/NCBI谷歌学术搜索
21.伯克纳 P-C.使用 R 包进行高级贝叶斯多级建模 brms。R 期刊。2018;10:395–411.
查看文章谷歌学术搜索
22.Sibley KG，Girges C，Hoque E，Foltynie T.基于视频的帕金森病严重程度分析：简要回顾。帕金森病杂志。2021;11（s1）：S83–S93.密码：33682727
查看文章PubMed/NCBI谷歌学术搜索
23.鲍尔斯 R， 埃特扎迪-阿莫利 M， 阿诺德 EM， 基亚尼安 S， 曼斯 I， 吉比安斯基 M， 等.智能手表惯性传感器持续监测帕金森病中真实世界的电机波动。科学翻译医学 2021;13（579）.密码：33536284
查看文章PubMed/NCBI谷歌学术搜索