Klasifikace přítomnosti tremoru u Parkinsonovy nemoci z mikroelektrodových záznamů

Abstract

Cílem této práce bylo zjistit, zda mikroelektrodové záznamy (MER) pořízené během hluboké mozkové stimulace (DBS) obsahují informace související s klinickým fenotypem pacientů s Parkinsonovou nemocí, konkrétně s tremor-dominancí. Analýza ukázala, že takové příznaky lze identifikovat pomocí Hilbertovy transformace a extrakce obálkových charakterisitk ze signálů v theta, alfa a beta frekvenčních pásmech. Na základě těchto příznaků byly navrženy tři klasifikační modely (logistická regrese, ridge regrese a SVM s RBF jádrem). Výběr vhodných příznaků byl realizován metodou postupného přidávání s využitím Youdenova indexu jako hlavní výkonnostní metriky. Využity byly dva nezávislé datasety: explorační z Nemocnice na Homolce a validační z CEITEC Brno. Použité klasifikátory (zejména SVM) dosáhly slibné výkonnosti i na neviděných datech v rámci pražského datasetu, avšak při validaci na externím datasetu došlo k výraznému poklesu výkonnosti. To poukazuje na omezenou generalizovatelnost navrženého přístupu znemožňuje obecné použití metody v praxi. Tato práce tak nejen potvrzuje přítomnost tremor-specifických elektrofyziologických markerů v STN, ale zároveň zdůrazňuje klíčový význam externí validace, která se v biomedicínských studiích často opomíjí.

The aim of this study was to determine whether microelectrode recordings (MER) acquired during deep brain stimulation (DBS) contain information related to the clinical phenotype of patients with Parkinsons disease, specifically tremor dominance. The analysis showed that such features can be identified using Hilbert transform and envelope-based characteristics extracted from signals in the theta, alpha, and beta frequency bands. Based on these features, three classification models were proposed: logistic regression, ridge regression, and support vector machine (SVM) with a radial basis function (RBF) kernel. Feature selection was performed using a forward selection approach, with the Youden index employed as the primary performance metric. Two independent datasets were used: an exploratory dataset from the Na Homolce Hospital in Prague and a validation dataset from CEITEC Brno. The classifiers used (particularly the SVM) achieved promising performance on unseen data within the Prague dataset. However, validation on the external dataset revealed a substantial drop in performance, highlighting the limited generalizability of the proposed approach and preventing its straightforward application in clinical practice. This study thus not only confirms the presence of tremor-specific electrophysiological markers in the subthalamic nucleus (STN) but also emphasizes the crucial importance of external validation, which is often overlooked in biomedical research.