Analýza pohybu ruky u pacientů s poruchami chování v REM spánku pomocí kamerového systému

Abstract

Náplní této práce je navázaní na vyvinuté metody diagnostiky Parkinsonovy nemoci pomocí snímání pohybů prstů kamerovým systémem s cílem využít je pro včasné zachycení Parkinsonovy nemoci v prodromálním stádiu. Byl sestaven datový soubor čítající zdravé kontroly, pacienty trpící Parkinsonovou nemocí a pacienty trpící spánkovou poruchou RBD (Rapid Eye Movement Behavior Disorder), která je jedním z raných příznaků objevujících se u pacientů s Parkinsonovou nemocí. Cílem práce bylo navrhnout sadu takových algoritmů, které by byly schopny statisticky odlišit skupinu zdravých kontrol a skupinu pacientů trpících RBD a odhalit jemné motorické změny při provádění úlohy "klepání prsty", zaznamenané pomocí kamerového systému. Vytvořena byla programová struktura umožňující jednoduchou práci s měřeními datového souboru. Bylo zformováno 34 parametrů na čtyřech různých skupinách výpočtu z měření obou horních končetin - pomocí celkem 14 parametrů bylo možné nalézt statisticky významné rozdíly mezi rozděleními hodnot skupiny RBD a skupiny zdravých kontrol na hladině významnosti p < 0.05. Pomocí vybraných parametrů bylo také možné bez problému statisticky rozlišit skupinu pacientů trpících Parkinsonovou nemocí a skupinu zdravých kontrol. Součástí práce byla také korelační analýza mezi jednotlivými hodnotami parametrů s cílem odhalit jejich závislost. V analýze laterality byl zkoumán vliv preference horní končetiny na výsledné hodnoty parametrů - žádný parametr nedosáhl hodnoty Spearmanova korelačního faktoru r > 0.6. Bylo seznáno, že hodnoty některých parametrů mají slabší tendenci vykazovat lepší výsledky na dominantní ruce, nicméně tento nález nebyl konzistentní přes všechny zkoumané parametry. Z vybraných parametrů byl sestaven expertní systém klasifikátoru s využitím logistické regrese. Výkon klasifikátoru postaveného na kombinaci parametrů vykázal dobrou rozlišovací schopnost o hodnotě AUC = 0.855 při klasifikaci skupiny zdravých kontrol a skupiny pacientů trpících RBD, a výbornou schopnost oddělit skupiny zdravých kontrol a pacientů s Parkinsonovou nemocí o hodnotě AUC = 0.91. Na výsledky této práce bude navazovat pokračující výzkum například ve formě longitudinální studie, mapující progresi nemoci u pacientů trpících RBD až k případné konverzi do Parkinsonovy nemoci. V budoucnu budou výsledky této práce použity pro včasnou diagnostiku Parkinsonovy nemoci již v prodromálním stádiu.

The goal of this thesis is to follow upon already developed diagnosis methods of the Parkinson's disease by utilising the motion capture of finger movements and use it for an early capture of the Parkinson's disease in its prodromal stage. A group of healthy controls, a group of patients suffering from the Parkinson's disease and a group of patients suffering from the sleep disorder RBD (Rapid Eye Movement Behavior Disorder) were collected in a balanced dataset. RBD is one of the first early symptoms that appear in patients with the Parkinson's disease. The goal of this thesis was to suggest a set of parameters, that would be able to statistically differentiate the group of healthy controls and the group of patients suffering from RBD, and to reveal the subtle motoric changes during the finger-tapping task, as recorded by the motion capture system. A program structure that enables easy measurement manipulation was established. A number of 34 parameters was formed on 4 different types of calculations from the measurements of both upper limbs - a total of 14 parameters showed statistical significant differences (p < 0.05) between the value distributions of the group of healthy controls and the group of patients suffering from RBD. Selected parameters could also differentiate the group of healthy controls from the group of patients with Parkinson's disease without any difficulty. A correlation analysis between the distinct parameter values with the goal of finding any possible connections was also a part of this thesis. In the laterality analysis, an effect of upper limb preference on the calculated parameter values was observed - no parameter reached values of Spearman's correlation factor higher than r > 0.6. It was concluded, that the values of certain parameters have a weak tendency towards having better performance on the patient's dominant hand, nevertheless this result wasn't consistent across all of the observed parameters. An classification expert system on the basis of logistic regression was developed using a set of selected parameters. A classifier built on the combination of parameters performed well differentiating between the group of healthy controls and the group of patients suffering from RBD, having AUC = 0.855. Differentiation between the group of healthy controls and the group of patients with the Parkinson's disease performed very well, using a classifier of selected parameters, having AUC = 0.91. A follow-up research, in a form of a longitudinal study that maps the progression of the disease in patients suffering from RBD towards the possible conversion to the Parkinson's disease, will connect on the results of this thesis. The results of this thesis will also be used in the future in the task of an early diagnosis of the Parkinson's disease in its prodromal stage.