High-tech aid tool to monitor postural stability in Parkinson’s Disease

Abstract

Parkinson’s disease (PD) is a neurodegenerative disease that affects around 1% of the population over 65 and has increased in prevalence in recent years. One of the most disabling motor symptoms and a major contributor to falls is postural instability, which threatens the independence and well-being of people with PD. Usually, physicians assess this symptom with a traditional clinical examination named pull test, which, although easy to administer without requiring any instruments, it is a difficult test to standardize and lacks sensitivity to small but significant changes. Thus, other approaches based on high technologies have emerged to provide objective metrics and long-term data on postural stability, complementing clinical assessment. Wearable sensors appeared as a promising tech-based solution to better capture postural instability and eliminate the subjectivity of postural-associated clinical examinations. This dissertation proposes the design, development and validation of a postural assessment tool to perform more objective evaluations of postural instability during basic dynamic day-to-day activities. To achieve this goal, the following steps were accomplished: (i) create a dataset based on 3D motion data of PD patients performing the pull test and dynamic activities using an inertial measurement unit (IMU); (ii) extract relevant features from the data collected, conduct an extensive statistical search, and find correlations to clinical scales; (iii) implement a tool based in artificial intelligence (AI) to classify the level of postural instability through the data collected. Different deep learning models were designed and several combinations of data input were considered in order to find the best model to predict the pull test score. Overall, satisfactory results were achieved as the statistical analysis revealed that many features were considered relevant to distinguish between the scores of the pull test, for diagnostic purposes and also to differentiate the several stages of the disease and levels of motor disability. Regarding the AI-based tool, the results suggest that the combination of IMU-based data with deep learning may be a promising solution for postural instability assessment. The model that achieved the best performance in the testing phase with unseen data presented an accuracy, precision, recall and F1-score of approximately 0.86. The results also show that when fewer daily activities are included in the dataset, the complexity of the model reduces, making it more efficient. Despite the promising results, more data should be collected to assess the actual performance of the model as a postural assessment tool.

A doença de Parkinson (DP) é uma doença neurodegenerativa que afeta cerca de 1% da população acima de 65 anos e cuja prevalência tem aumentado nos últimos anos. Um dos sintomas motores mais incapacitantes e um dos principais contribuintes para quedas é a instabilidade postural, que ameaça a independência e o bem-estar das pessoas com a DP. Normalmente, o teste utilizado para avaliar a instabilidade postural é o pull test, que, embora fácil de executar e não necessitando de qualquer instrumento, é um teste difícil de padronizar e com falta de sensibilidade para detetar pequenas alterações que podem ser significativas. Assim, os sensores vestíveis surgiram como uma solução promissora para capturar a instabilidade postural e eliminar a subjetividade dos exames clínicos associados à postura. Esta dissertação tem como objetivo o idealizar, desenvolver e validar um instrumento para realizar avaliações mais objetivas da instabilidade postural durante atividades dinâmicas básicas do dia-a-dia. Para atingir esse objetivo, as seguintes etapas foram realizadas: (i) criar um dataset baseado em dados de movimento 3D de pacientes com a DP enquanto executam o pull test e atividades dinâmicas através de uma unidade de medida inercial; (ii) extrair características relevantes dos dados adquiridos, realizar uma extensa pesquisa estatística e encontrar correlações com escalas clínicas; (iii) implementar uma ferramenta baseada em inteligência artificial (IA) para classificar o nível de instabilidade postural através dos dados recolhidos. É de notar que diferentes frameworks de deep learning foram projetados e vários datasets foram considerados de modo a encontrar o melhor modelo para prever a pontuação da escala do pull test. No geral, os resultados alcançados foram satisfatórios, pois o estudo estatístico revelou que muitas das características extraidas dos sinais recolhidos foram consideradas relevantes para distinguir entre as pontuações do pull test, para fins diagnósticos e também para diferenciar os estágios da doença e os níveis de incapacidade motora. Em relação à ferramenta baseada em IA, os resultados apresentados sugerem que o deep learning pode ser promissor na área de avaliação de instabilidade postural através de IMUs. O modelo que obteve o melhor desempenho apresentou uma exatidão, precisão, sensibilidade e F1-score no teste de aproximadamente 0.86. Os resultados também mostram que dataset com um menor número de actividades diferentes incluídas leva a que o modelo se torne menos complexo, tornando-o mais eficiente. Apesar dos resultados promissores, mais dados devem ser recolhidos para avaliar o real desempenho do modelo como ferramenta de avaliação postural.