ПРИМЕНЕНИЕ НЕЙРОСЕТИ ДЛЯ ОЦЕНКИ МОТОРНЫХ НАРУШЕНИЙ ПРИ БОЛЕЗНИ ПАРКИНСОНА С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ВИДЕОЗАХВАТА В ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ
| العنوان: | ПРИМЕНЕНИЕ НЕЙРОСЕТИ ДЛЯ ОЦЕНКИ МОТОРНЫХ НАРУШЕНИЙ ПРИ БОЛЕЗНИ ПАРКИНСОНА С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ВИДЕОЗАХВАТА В ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ |
|---|---|
| بيانات النشر: | Ульяновский медико-биологический журнал, 2018. |
| سنة النشر: | 2018 |
| مصطلحات موضوعية: | регистрация движений, видеозахват, neural network, нарушения походки, gait disorder, video capture, нейротехнологии, motor disorders, early diagnosis of neurodegenerative diseases, нейронная сеть, Parkinson disease, болезнь Паркинсона, ранняя диагностика нейродегенеративных заболеваний, movement registration, моторные нарушения, neurotechnology |
| الوصف: | Отсутствие объективных методов оценки клинических проявлений болезни Паркинсона (БП) легло в основу проведения работы по описанию моторных нарушений у пациентов с БП с применением метода видеозахвата в условиях виртуальной реальности и алгоритмов машинного обучения. Цель – проанализировать объективность технологии диагностики неврологических симптомов путем анализа траекторий движений с использованием алгоритмов машинного обучения. Материалы и методы. В исследовании приняли участие 30 пациентов (21 женщина и 9 мужчин) в возрасте от 45 до 83 лет (средний возраст 69±7 лет), страдающих БП в течение в среднем 6±3 лет. Стадия заболевания по шкале Хен–Яр в исследуемой выборке варьировала от 1 до 3 (40 % пациентов – стадия 1; 37 % – стадия 2; 23 % – стадия 3). Группа сравнения состояла из 20 условно здоровых добровольцев и была сопоставима по полу и возрасту (средний возраст 57±15 лет) с основной группой. Участники проходили исследование с применением виртуальной сцены «Круглая земля» с использованием очков Epson Moverio BT-200, Microsoft Kinect. Для обработки данных был выбран многослойный перцептрон с четырьмя входными нейронами и двумя скрытыми слоями по 5 нейронов на каждом. Результаты. Точность распознавания для обучающей выборки составила 77,8 %, чувствительность – 81,3 %, специфичность – 72,9 %. Точность распознавания для тестовой выборки составила 67,7 %, чувствительность – 68,3 %, специфичность – 66,9 %. Выводы. Методы видеозахвата в условиях виртуальной реальности позволяют выявить моторные нарушения, подтверждающие наличие БП, но точность полученной модели недостаточна и сильно зависит от объема выборки, а также требует включения дополнительных диагностических параметров. The lack of objective methods which can evaluate clinical manifestations of Parkinson disease (PD) provided the basis for this work, which describes motor disorders in patients with PD using the video capture technology in virtual reality and machine learning algorithms. The aim of the paper is to analyze the accuracy of the technology for neurological symptom diagnostics by analyzing movement trajectories using machine learning algorithms. Materials and Methods. The study involved 30 patients (21 women and 9 men) aged 45–83 (mean age 69±7), suffering from PD for 6±3 years. In our sample the disease state (according to Hoehn-Yahr scale) ranged from 1 to 3 (40 % of patients – stage 1; 37 % – stage 2; 23 % – stage 3). The comparison group consisted of 20 relatively healthy volunteers and was comparable with the main group in sex and age (mean age 57±15). The trial subjects were examined on a virtual platform “Round Earth” using Epson Moverio BT-200 glasses (Microsoft Kinect). For data processing, a multilayer perceptron with four input neurons and two hidden layers of 5 neurons on each was selected. Results. The recognition accuracy for the training sample was 77.8 %, sensitivity – 81.3 %, specificity – 72.9 %. The recognition accuracy for the test sample was 67.7 %, sensitivity – 68.3 %, specificity – 66.9 %. Conclusion. Video capture methods in virtual reality make it possible to identify motor disorders which confirm PD, but the accuracy of the model is insufficient as it strongly depends on the sample size, and also requires additional diagnostic parameters. №4(32) (2018) |
| اللغة: | Russian |
| DOI: | 10.23648/umbj.2018.32.22688 |
| الوصول الحر: | https://explore.openaire.eu/search/publication?articleId=doi_________::13d2e0b0d676316ab271170535167365Test |
| رقم الانضمام: | edsair.doi...........13d2e0b0d676316ab271170535167365 |
| قاعدة البيانات: | OpenAIRE |
| DOI: | 10.23648/umbj.2018.32.22688 |
|---|