Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas

Neurodegenerative diseases affect the neuromusculoskeletal systemgenerating movement disorders. The detection of symptoms usually occurs in thelate stages of the disease, thus early detection would help to introduce therapiesfor reducing the effects of the diseases and delay deterioration. PhysioNet databaseprovides information on gait biomechanics of healthy volunteers and patients withParkinson’s disease (PD), Amyotrophic Lateral Sclerosis (ALS) and Huntington’sdisease (HD). In this work, spatio-temporal data are used to measure the energy costand power spectral density in these pathologies. These parameters were statisticallyanalyzed to define explanatory descriptors. Subsequently, fuzzy c-means techniques,learning algorithm for multivariate data analysis - LAMDA, and neural networksare used to classify between the neurodegenerative diseases and the control group.Cross-validation method was used to evaluate the results of the classification algorithm.Statistical analysis showed that energy cost increased in the support phase, gaitspeed decreased in critical disease conditions, and cadence was different according todisease type. Algorithms were trained with four classes. The classification fits were92.5% for the neural network, 80% for the LAMDA method, and 56.1% for the FuzzyC-means. In order to improve the results, two-class classifiers were trained: Ctrl+PD,Ctrl+PD and Ctrl+HD. This matching improved the fit of LAMDA to 98.3%, theneural network with 97.0% and Fuzzy C-means with 90.2%. The potential use of theseclassification techniques will enable early detection of neurodegenerative diseases, including new devices that allow gait analysis outside the laboratory.
Las enfermedades neurodegenerativas afectan el sistema neuromusculoesquelético generando trastornos del movimiento. La detección de los síntomas suele producirse en las últimas fases de la enfermedad, por lo que una detección temprana ayudaría a introducir terapias para reducir los efectos de las enfermedades y retrasar el deterioro. La base de datos PhysioNet proporciona información sobre la biomecánica de la marcha de voluntarios sanos y de pacientes de Parkinson (PD),esclerosis lateral amiotrófica (ALS) y Huntington (HD). En este trabajo se utilizan datos espacio-temporales para medir el coste energético y la densidad espectral de potencia en esas patologías. Estos parámetros se analizaron estadísticamente para definir descriptores explicativos. Posteriormente, se utilizan la técnica fuzzy c-means, algoritmo de aprendizaje para el análisis de datos multivariados - LAMDA, y redes neuronales para clasificar entre las enfermedades neurodegenerativas y el grupo de control. Se utilizó el método de validación cruzada para evaluar los resultados del algoritmo de clasificación. El análisis estadístico mostró que el coste de la energía aumentaba en la fase de apoyo, la velocidad de la marcha disminuía en condiciones críticas de la enfermedad y la cadencia era diferente según el tipo de enfermedad. Se entrenaron los algoritmos con cuatro clases a priori. Los ajustes de clasificación fueron 92.5% para la red neuronal, 80% para el método LAMDA, y 56.1% para elFuzzy C-means. Para mejorar los resultados, se entrenaron clasificadores de dos-clases:Ctrl+PD, Ctrl+PD y Ctrl+HD. El emparejamiento mejoró el ajuste de LAMDA a un98.3%, la red neuronal con un 97.0% y Fuzzy C-means con un 90.2%. El uso potencial de estas técnicas de clasificación permitirá la detección temprana de enfermedades neurodegenerativas, incluyendo nuevos dispositivos que permitan el análisis de la marcha.