Comprehensive objective assessment (CoA) system

tässä tutkimuksessa käytimme BioKin17: ää, pilvipohjaista reaaliaikaista liikkeenkaappausanturialustaa suorittaaksemme kattavan objektiivisen arvion CA: sta. BioKin17 on langaton puettava laite, jossa on upotettu kolmiaksiaalinen kiihtyvyysmittari (malli piirisarja ”MPU-9150” InvenSense, Inc., San Jose, CA, USA) ja IEEE802.11b/g/n / langaton tiedonsiirtoliitäntä, joka toimii 32-bittisellä ARM-prosessorilla. Deakinin yliopiston Networked Sensing and Control Labin kehittämä BioKin-sensorijärjestelmä voi olla vuorovaikutuksessa Android-mobiilisovelluksen kanssa ja tallentaa ihmiskehon monimutkaisia liikkeitä reaaliajassa, kuten Fig-julkaisussa on esitetty. 1. Se on optimoitu vähentämään laskeutumisvaikutuksia ja anturien kulkeutumisongelmia poistamalla laudan tason poikkiakseliset linjausvirheet kunkin inertiasensorin välillä 17. Tämä anturi oli merkitty perinteiseen monikamerapohjaiseen optiseen liikkeenseurantajärjestelmään (Vicon system, T40s, Oxford, UK), joka on erittäin tarkka penkkimerkintäjärjestelmä18. BioKin kuvasi gyroskooppi-ja kiihtyvyysdatan kolmiulotteisissa (3D) Karteesisissa koordinaateissa näytteenottotaajuudella 50 Hz. CA-arviointi suoritettiin seuraavien vaiheiden kautta:

1. Liikesyötteet, jotka on tuotettu yhdeksällä instrumentoidulla testillä, jotka jäljittelevät CA: n yhdeksää standardia kliinistä testiä vuodeosastolla kattaen 5 aluetta.

2. nämä ikuistetaan antureilla ja visualisoidaan älypuhelimessa olevalla tukisovelluksella.

3. langaton siirto lohkoketjupohjaiseen hajautettuun pilviverkostoon19, jossa käytetään diagnostiikka-ja arviointialgoritmeja.

4. Data-analyysin tulokset muutetaan kliinisesti merkittävään muotoon.

sensorialustan Kuva on kuvitettu kuviossa. 1.

Liikesyöttö

koehenkilöt tehtiin tekemään yhdeksän tavanomaista kliinistä testiä; toistettu tavu lausunta (SPE), rytminen sormen naputus (fin), sormi-nenä/nenä-sormi (FNT), dysdiadochokinesia (DDK), ballistinen seuranta/sormi-takaa-ajo (BAL), kantapää-shin (HST), jalka-naputus (FOO), asento/romberg (ROM) ja kävely (WAL). Tehtävät suoritetaan Sarassa määriteltyjen ohjeiden mukaisesti, jotka kattavat kaikki 5 verkkotunnusta. Jotta vältettäisiin sekoittavat tekijät, jotka johtuisivat keinumisesta testien aikana istuma-asennossa, osallistujille annettiin aksiaalinen tuki eli mukavasti suorassa istuma-asennossa istuminen. Tuolin selkänojatuki oli kulmautunut 90-100 astetta riittävällä puutavaratuella alaselän suuntaisesti. Sekä oikea että vasen raaja arvioitiin.

tiedonkeruu

COA-järjestelmä hyödynsi Inertiaalimittausyksiköitä (IMUs), jotka on varustettu Biokinijärjestelmällä seitsemässä testissä translaatio-ja pyörimiskinematiikan kuvaamiseksi ortogonaalisilla akseleilla kiihtyvyysmittareiden ja gyroskooppien avulla. Yhdessä testissä käytettiin myös 23 tuuman näytöllä varustettua Microsoftin Kinect V2-kameraa sekä Intel core i5-prosessorilla varustettua mini-PC: tä merkkipohjaisen liikkeenkaappauksen ja absoluuttisen sijaintitiedon saamiseksi.

pilvipohjaiset algoritmit

tallennetut tiedot siirretään lohkoketjupohjaiseen hajautettuun pilviverkostoon19 langattoman yhteyden kautta myöhempää tietojenkäsittelyä varten, jolloin lääkärit voivat hankkia vakavuuspisteitä. MATLAB (R2019a, MathWorks) ja Python-ympäristöt käsittelivät langattomin keinoin lähetettyä dataa.

kliininen ulostulo

kaapattu data visualisoidaan android-pohjaisen älypuhelinsovelluksen, Biokinin kautta, joka tuottaa arviointiraportteja ja vakavuuspisteitä pilvipohjaisen tietojenkäsittelyn tuloksena.

COA-järjestelmässämme kunkin 6 oheiskokeen (DDK, FNT, FIN, BAL, FOO, HST) liikkeenkaappausdatan keskimääräinen ajallinen hankintameno on alle 15 sekuntia. Tasapainotesti (ROM) kestää alle 30 sekuntia, kävelytesti(Wal) Alle 90 sekuntia ja puhetesti (SPE) alle 5 sekuntia tietojen hankkimiseen. Näin ollen keskimääräinen ajallinen meno tietojen hankkimiseen ja kumulatiivisen testituloksen tuottamiseen (pilvipohjaisten algoritmien avulla) yhdelle potilaalle on noin alle 215 sekuntia ja vastaavasti 5 sekuntia. Testisarja kestää tyypillisesti jopa 30 sekuntia.

kokeellinen suunnittelu

osallistujat

motoristen liikkeiden, puheen ja kinemaattisten tietojen ajoitukseen, stabiiliuteen, tarkkuuteen ja rytmikkyyteen liittyvien poikkeavuuksien perusteelliseen analyysiin kirjattiin 34 koehenkilöltä, joiden äidinkieli oli Englanti. Kaksikymmentäkolme oli aiemmin diagnosoitu pikkuaivojen ataksia (CA) johtuu neurodegeneratiivinen häiriö ja osallistui neurologian klinikalla Royal Victorian Eye and Ear Hospital (RVEEH) tai Alfred Hospital Melbournessa. Yksitoista normaalia koehenkilöä (verrokkia) oli vapaaehtoisia, joilla ei ollut neurologisia sairauksia tai muita puhehäiriöitä. Yhteenveto kohorttitilastoista on esitetty taulukossa 1. Yksikään osallistujista (kontrollit ja CA) ei ollut käynyt läpi mitään kuntoutusohjelmaa ennen tätä kliinistä tutkimusta. Yksikään osallistujista (kontrollit ja CA) ei ollut käynyt läpi mitään kuntoutusohjelmaa ennen tätä kliinistä tutkimusta. Literature20,21,22-lehden katsauksessa kävi ilmi, että alkamisikä, diagnoosin ikä ja muut demografiset tekijät eivät vaikuta ataksiaan liittyvään ikään ja gmoenderiin. Koska tutkimuksemme rajoittui aikuisiän ataksia-kohorttiin, iän ja sukupuolen mukaisten kriteerien tiukka noudattaminen ei ollut mahdollista.

etiikan hyväksyntä ja suostumus osallistua

tämän tutkimuksen hyväksyi Human Research and Ethics Committee, Royal Victorian Eye and Ear Hospital, East Melbourne, Australia (HREC-viitenumero: 11/994H/16) ja sitä tuki Florey Institute of Neuroscience and Mental Health, Melbourne, Australia National Health and Medical Research Councilin (Nhmrc) myöntämän apurahan avulla.: gnt1101304 ja app1129595. Kaikki tämän tutkimuksen menetelmät toteutettiin asiaankuuluvien ohjeiden ja määräysten mukaisesti ja kaikilta osallistujilta saatiin kirjallinen suostumus ennen heidän ilmoittautumistaan. Molemmilta koehenkilöiltä saatiin tietoinen suostumus Viikunakuvassa kuvattujen kuvien julkaisemiseen. 1.

Testausprotokolla ja ominaisuuksien poisto

yhdeksän neurologisen testin objektiiviset arvioinnit on ryhmitelty seuraaviin 5 osa-alueeseen, joissa on lyhyt kuvaus niiden suoritusprotokollasta. Yhteenveto ominaisuuksista, jotka osoittautuivat keskeisiksi diagnoosin CA niihin liittyvässä vastaavassa tutkimuksessa4,6,7,8,9,10,11 on myös sisällytetty kunkin testin alajaksoon taulukossa 2.

puhe

• toistuva tavu lausunta (SPE): kokelaan tuli toistaa konsonantti-vokaali-tavu/ ta / 5 sekunnin ajan haluamallaan nopeudella. Nauhoitukset tehtiin noin 10 cm: n etäisyydeltä koehenkilön suusta leikatulla kondensaattorimikrofonilla hiljaisessa huoneessa, jossa ympäristön melutaso on alhainen. BioKinMobi-ohjelmaa ammattitutkijan valvonnassa käyttänyt android-puhelin vangitsi puheen. Topografinen näkyvyys perustuu automatisoitu algoritmi käytettiin poimia kuusi akustinen ominaisuuksia junan toistuvien / ta / tavu lauseet4, 6.

• keston säännöllisyys mittaa toistuvan/ ta / (RT) lausunnan rytmin vaihtelua. Tämä on yksilöity olennainen mitta ajoitus alijäämät poimittu Aalto tiedot 50% näkyvyys.

• ero säännöllisyys mittaa aikaeron vaihtelua kahden peräkkäisen/ ta / tavun huipun välillä.

• keskimääräinen huippuarvo mitattiin tietyn/ta/ pulssin keskimääräinen suhteellinen korkeus / huippu.

• kompensaation säännöllisyys mittasi tietyn/ta / syllabisen pulssin osalta laskettujen erojen vaihtelua huipun ja sen vastaavan näkyvyyden välillä.

• Vaimennussuhde mittasi/ ta / tavujen vaimennussuhteiden keskiarvoa, joka laskettiin 75 prosentin näkyvyydellä poimitusta aaltodatasta.

• resonanssitaajuus mittasi/ ta / tavujen resonanssitaajuuden keskiarvoa, joka laskettiin poimitusta aaltodatasta 50 prosentin näkyvyydellä.

yläraaja

• rytminen sormitapputesti (Fin): osallistujat naputtivat etusormensa rytmikkäästi vaakasuoraa pintaa (esim.pöytätasoa) vasten haluamallaan nopeudella ja kestolla. Osoittavan etusormen dorsumiin asennettiin Biokki tiedonhankintaa varten. Ensimmäiset 3 tärkeintä osatekijää (PC) multiskale entropia mitattuna X ja Z akselilla kiihtyvyysmittarin signaaleja ja X akselilla gyroskooppi signaaleja ja variaatiokerroin välisen napavälin mittaamalla epäsäännöllisyyttä rytmi olivat valitut ominaisuudet7.

• Sorminenätesti (FNT: Osallistujien oli kosketettava nenäänsä terävällä etusormellaan ja sitten samalla sormella kurkotettava ja kosketettava kliinikon sormea, joka oli sijoitettu noin 25 cm: n päähän tutkittavan nenästä. Käsien liikkeitä mitattiin osoittavan etusormen käden dorsumiin kiinnitetyllä biokaasulla. Resonanssitaajuus ja amplitudi resonanssitaajuudella olivat kriittiset ominaisuudet8, jotka on kuvattu osoittavan etusormen kämmeneen kiinnitetyllä Biokinillä. Kiihtyvyyden ja kulmanopeuden taajuuskuvausta käytettiin kuvaamaan jokaisen ortogonaalisen akselin (X, Y ja Z)resonanssia 8.

• Dysdiadochokinesia-testi (DDK): osallistujien tuli asettaa toisen käden dorsumi toisen käden kämmenelle, kuten kuvassa on kuvattu. 1. Tämän jälkeen osallistujia ohjeistettiin pronaattamaan kätensä niin, että kämmenpuoli on alaspäin niin, että se lepää toisen käden kämmenellä. Koehenkilöä neuvotaan myös pronoimaan ja supinoimaan vuorotellen näiden kahden kannan välillä mahdollisimman nopeasti ja tarkasti. Vaihtonopeus saadaan irti ranteeseen kiinnitetystä Biokinin imusta. Tässä testissä tutkittiin kyvyttömyyttä koordinoida liikettä. Pronaatin ja supinaatin muuttumisnopeus, resonanssitaajuus ja amplitudi resonanssitaajuudella olivat kriittiset ominaisuudet8.

• ballistinen paikannus (BAL): osallistujien piti osoittaa kohdetta monitoriruudulla. Osoittavan etusormen liike havaittiin Kinect-kameralla ja se esitettiin tussina näytöllä. Tavoitteena on seurata kohdetta tarkasti heijastetun (Kinect-kameralla varustetun) Tussin kautta näytöllä, kun kohde liikkuu nopeasti ja satunnaisesti näytön pisteestä toiseen. Seuraavat poimitut ominaisuudet osoittivat merkittävää korrelaatiota vakiomittarilla SARA9 kuvattuun toimintakyvyn tasoon:

• virhe: merkkiaineen ja kohteen liikeratojen välinen etäisyys mitattuna dynaamisella Aikavääristymismenetelmällä vaaka – (H) ja pysty – (V) akselilla.

• kattava aikaviive: Tämä laskettiin kahden aikajakson, markkerin ja kohteen ristikorrelaationa.

• kinemaattinen viive: Tämä saatiin fittsin lain suorituskyvyn mittauksen indeksillä. Ominaisuus on mitata kohteen suorituskykyä tavoiteasennon saavuttamisessa.

• Suuntamuutos H-ja V-akselilla: näin monta kertaa osallistuja muutti kiihtyvyyttään, joka mitattiin suuntamuutoksena. Tämä ominaisuus sisälsi tietoa yli / aliohjautumisesta sekä koehenkilön suorituksesta testin aikana. Korkeampi dysmetria päätelty suurempi virheprosentti kohti ero tavoite ja merkki liikeradat.

alaraaja

• kantapää-sääritesti (HST): osallistujien tuli asettaa kantapää vastakkaiselle polvelle ja ajaa se sääriluuta pitkin kantapään ja polven välistä toistuvasti ja mahdollisimman tarkasti. Biokki oli kiinnitetty jalan dorsumiin. Resonanssitaajuus ja amplitudi resonanssitaajuudella olivat kriittiset ominaisuudet8.

• rytmikäs jalkatappelu (FOO: Osallistujien oli naputeltava rytmikkäästi jokaista jalkaa vaakasuoraa pintaa (esim.lattiaa) vasten. Ensimmäiset 3 pääkomponenttia (PC) multiscale entropia mitattuna X-ja Z-akseleilla kiihtyvyysmittarin signaaleja ja X-akselilla gyroskooppi signaaleja, ja variaatiokerroin Inter-tap intervalli mittaamalla epäsäännöllisyyttä rytmi olivat valitut ominaisuudet7.

tasapaino

• Rombergin testi (ROM): osallistujien tuli seistä jalat yhdessä sitten jalat toisistaan, käsivarret sivuilla mahdollisimman pitkään (enintään 30 sekuntia); ensin silmät auki ja sitten silmät kiinni. Yksi Biokiini sijoitettiin suunnilleen xiphisternumin päälle elastisen neopreenivyön avulla. Toinen BioKin oli kiinnitetty yläselän paikalle, keskiviivalle aivan kaulan alapuolelle. Sumea entropia tekniikkaa käytettiin asentotason huojumisnopeus päätellä mitattu katkaistu kiihtyvyydet. Päättelynopeuden entropia-arvoa23 pidettiin ensisijaisesti hermomotorisen ohjauksen mittana hiljaisen seisovan asennon aikana, josta merkittävä osa on verrannollinen kehon huojumisnopeuteen. Nopeuden mittausepävarmuus sisälsi merkittävän määrän tietoa tynkäläisestä instabiliteetista 10.

kävely

• kävelytesti (WAL): osallistujien tuli kävellä 5 metriä ja palata, mikä toistettiin 10 kertaa. Koehenkilön liikkeet taltioitiin xiphisternumiin kiinnitetyillä älypuhelimen inertiasensoreilla elastisen neopreenivyön ja kahden BioKin-anturin avulla, jotka oli kiinnitetty kumpaankin nilkkaan. Anturi oli sijoitettu siten, että sen X -, Y-ja Z-akselit ottivat vastaavasti huomioon ML: n (Medio-Lateral), AP: n (Antero-Posterior) ja VT: n (Pystyakseli) liikkeet. Jokaisella ortogonaaliakselilla (X, Y ja Z) käytettiin taajuusalueen kuvausta resonanssi11. Kunkin subjektin magnitudia ja resonanssia käytettiin kullakin akselilla ominaisuusvektorin muodostamiseen. Toinen ominaisuus, sumea entropiaan perustuva nopeus epäsäännöllisyys mitta katkaistu poikkeavuus (VI) valittiin study11 mitata kävely satunnaisuutta tai epävarmuus tasolla kävelyn aikana. Tutkimuksessa in23 otettiin käyttöön sumea entropia (FuzzyEn) trunkaalisen ataksian kuvaamiseksi.

tutkimukseemme ilmoittautuneen ataksisen kohortin mukaan niille, joilla on SARA – arvosana 7 kävelystä-jos tarvitaan kävelyapua, potilasta pyydetään tekemään testi käyttäen sopivaa kävelyapua (eli yksipistekeppiä tai nelipyöräistä kehystä (4WF)).

ATAKSISET mitat (tähti)

Gordon Holmesin teosten mainitaan usein vaikuttaneen perustavasti ymmärrykseemme pikkuaivojen kliinisistä oireista ja merkeistä2,3,24. Tutkimuksessamme tarkastelimme uudelleen Holmesin tapaa luonnehtia koehenkilön liikettä pikkuaivojen toimintahäiriöillä neljän ulottuvuuden (Stabiilisuus, ajoitus, tarkkuus & Rytmikkyys) suhteen.

• vakaus (S): Tämä liittyy Alustan (toteutuksen) vakauteen. Alusta on nivelet ja lihakset, jotka ovat suhteellisen kiinteitä ja mahdollistavat liikkuvan kehon osan suorittaa tehtävän tarkasti. Esimerkiksi DDK-tehtävä vaatii olkapään ja kyynärpään koukistuksen ja laajennuksen suhteellista vakautta tehokkaaseen suoritukseen. Suhteellinen epävakaus johtaa tarpeettomien liikkeiden lisääntymiseen toisioakseleissa.

ajoitus (T): kun CA on läsnä, tehtävissä, joilla on aikarajoite, kuten BAL, havaitaan yleensä lisääntynyt latenssi ennen liikkeen alkua ja tehtävä suoritetaan hitaammalla nopeudella, koska suoritetaan vähemmän suora kurssi. Samat piirteet näkyvät usein myös ilman aikarajoituksia. Nämä ominaisuudet ovat selvempiä, kun CA on vakavampi, mikä viittaa siihen, että alitajuisesti, ajoitus on neutraali kauppa pois tehtävän loppuun. Laskennallisesti tunnistimme sen tavoitteen ja saavutetun suhteen väliseksi virheeksi, johon todennäköisesti vaikuttavat seuraavat kaksi:

aika, jolloin kohde aloittaa hetken.

ehdotetun COA-järjestelmämme jokaisen testin ominaisuudet on osoitettu edellä mainittuihin ulottuvuuksiin seuraavan kaksivaiheisen lähestymistavan avulla:

1. (a) suoritusakseli on aiotun tehtävän suorittamiseen vaadittavan ensisijaisen liikkeen suunta, ja se liittyisi rytmisyyteen tai ajoitusmittaan.

   (b) tarkkuusominaisuuksiksi katsotaan kaikki poikkeamat tehokkaimmasta tai tehtävän suorittamiseen tarvittavasta vakiopolusta.

2. muiden akselien liikeratoja pidetään sekundaariliikkeinä, ja ne liittyvät stabiilisuuteen.

a pictorial representation in Fig. 2 kuvaa kunkin verkkotunnuksen TÄHTITULKINTAA ehdotetun 2-vaiheisen lähestymistavan mukaisesti.

STAR Labelling Criteria.

toistuvissa testeissä (DDK, FNT, FIN, FOO, HST) Y-akselin suuntainen resonanssitaajuus vaikuttaa nopeuteen, joten sitä pidetään ajoitusominaisuutena, kun taas resonanssin suuruutta pidetään rytmisenä ominaisuutena. Muissa akseleissa esiintyviä sekundääriliikkeitä/häiriöitä kutsutaan stabiileiksi ominaisuuksiksi.

kohdeperustaisissa testeissä (Bal) ajoitusominaisuutena pidetään kohteen jahtaamisen primaariliikkeen viivästymistä; kuinka hyvin tavoite saavutetaan tai mikä tahansa poikkeaman aste tavoitteen saavuttamisessa määrittelee osallistujan suorituskyvyn ja mittaa siten tarkkuutta; mikä tahansa muu liiallisia/tehottomia liikkeitä palveleva ominaisuus merkitään vakaudessa.

kävelytesti koostuu suoralla (AP-akselia pitkin) eteenpäin kävelemisestä säännölliseen tahtiin nostamalla ja laskemalla kumpikin jalka rytmikkäästi alas. Tämä päättelisi rytmisyystiedon, kun taas katkaistun huojunnan laajuus AP-akselilta (eli liike ML-akselilla) johtaa tarkkuustietoon. Lisäksi kaikki ei-toivottu huojuminen VT-akselilla katsotaan vakausominaisuudeksi.

tasapainotestissä osallistujan odotetaan pitävän tasaisen suoran asennon VT-akselillaan. Tämä on niiden ensisijainen liike, mikä tahansa poikkeama tai huojunta VT-akselilla selittää epätarkkuuden ja kaikki muut ei-toivotut katkaistu huojunta joko AP tai ML pidetään vakautta ominaisuuksia.

puhetestissä toistuvien/ ta /lauseiden rytmisyyttä mittaavia ominaisuuksia, esimerkiksi peräkkäisten/ ta /lauseiden välistä kuilua, A/ ta/: n kestoa, pidetään rytmitysominaisuuksina ja resonanssitaajuusominaisuutta ajoitusominaisuutena. Pienempi vaimennussuhde osoittaa suurempaa värähtelyä. Näin ollen A /ta/ uteranssin pienempi vaimennussuhde ataksisena akustisena ominaisuutena osoittaa äänikanavan epävakautta äänen artikulaation aikana.

Yhteenveto yhdeksästä testistä 5 alueella, jotka tuottavat 172 ominaisuutta, on esitetty niiden TÄHTITULKINNAN kanssa taulukossa 2.

kliininen arviointi

CA pisteytettiin kokeneella kliinikolla SARA-asteikon mukaan ataksiaa sairastavien potilaiden suorittaessa jokaisen tehtävän. SARA on kliininen asteikko, jonka ovat kehittäneet Schmitz-Hübsch et al.25,26, joka arvioi erilaisia pikkuaivojen ataksian häiriöitä, jotka vaihtelevat puheesta tasapainoon. Asteikko koostuu 8 kategoriasta, joiden pisteet vaihtelevat as, kävely (0-8 pistettä), asento (0-6 pistettä), istuminen (0-4 pistettä), puhehäiriö (0-6 pistettä), sormien takaa-ajo (0-4 pistettä), nenä-sormi-testi (0-4 pistettä), nopea vaihteleva käden liike (0-4 pistettä), kantapää-säären liuku (0-4 pistettä). Kun lääkäri on arvioinut kunkin 8 luokan yksilön, hän voi edelleen laskea kumulatiivinen pisteet vaihtelevat 0 (ei ataksia) ja 40 (vakavin ataksia) määrittää ataksisen potilaan vakavuus ataksia. Tutkimuksessamme yksi kliinikko arvioi kaikki tehtävät välttääkseen subjektiivisen vinouman.

3-tason COA-järjestelmän arviointijärjestelmä

ehdotettuun instrumentointijärjestelmään (CoA-järjestelmään) sisällytettävät tekniikat osoitetaan vuokaavion avulla (kuva. 3) ja esitetään seuraavissa kohdissa.

3-tason arviointiprosessin vuokaavio COA-järjestelmästä.

ominaisuuksien vähentäminen ja tilastollinen analyysi

kunkin testin Alkuperäinen ominaisuuspoisto perustui relevantteihin aiempiin tutkimuksiin4,6,7,8,9,10,11. Yksittäisten testien objektiivisen arvioinnin kannalta kriittisiksi määritettiin yhteensä 172 ominaisuutta. Prosessimittauksissa on paljon korreloivaa tai redundanttia tietoa. On tärkeää poistaa ne ja poimia ominaisuuksia, joilla on eniten itsenäistä merkitystä. Principal Component Analysis (PCA)27 on tietojen pakkaus -, louhinta-ja visualisointityökalu, jota käytetään muuntamaan useita asiaan liittyviä tekijöitä ryhmäksi korjaamattomia muuttujia. PCA käytetään pakata alkuperäisen 172 ominaisuuksia 27 kpl (3 kpl kustakin 9 testit) (Kuva. 3). Kriittinen informaatio ei myöskään tule yksittäisen testin yksittäisestä muuttujasta, vaan se usein kumpuaa muuttujien välisestä suhteesta eli siitä, miten ne vaihtelevat. PCA on soveltuvin tällaisten tietojen arviointiin yleisesti käytetyistä monimuuttujatilastollisista menetelmistä, koska sillä voidaan hallita suuria määriä erittäin korreloivia, meluisia ja tarpeettomia tekijöitä.

hypoteesitestauksen p-arvo lasketaan kunkin testin tuloksena saadun 3 kpl: n (kpl 1-2-3) jakaumille kunkin 5 osa-alueen (puhe, Yläraaja, Alaraaja, kävely, tasapaino) osalta sen määrittämiseksi, eroavatko koehenkilöiden ryhmät (kontrolli ja ataksi) merkittävästi toisistaan. Kussakin domain, yksilöiden SARA toimenpiteet suurempi kuin nolla, ryhmitellään ataksinen, ja kontrollit ja koehenkilöt, jotka saivat SARA Pisteet 0 tietyn testin ryhmitellään normaalisti. Ei-parametriset tilastolliset testit (Kolmogorov†” Smirnov (KS) ja Mann-Whitney-Wilcoxon (MWW)) hyväksytään tietojen jakautumista koskevien oletusten välttämiseksi.

Graafiteoria & keskeisyysmittarit

testin/toimialueen riippuvuuksien visuaalinen kvantifiointi

Graafiteoriaa sovelletaan, jotta saadaan lisää tietoa testien ja tieteenalojen välisistä suhteista. Testit ja verkkotunnukset määrättiin verkon solmuille, jotka yhdistivät solmut reunoilla, joiden pituudet edustivat Spearmanin rankkorrelaatiokertoimia (ρ). Solmun keskeisyys ilmaisee kyseisen solmun vieressä olevien reunojen määrän ja kaikkien muiden solmujen läheisyyden, jota pidetään osoituksena solmun tärkeydestä. Myös sillä taajuudella, että solmu näkyy lyhyimmällä polulla kahden muun solmun välillä, on merkitystä. Minimi Spanning Tree (MST) analysis28 käytetään tutkimuksessamme luotettavana mittarina eri ryhmien verkkojen vertailussa, koska se on puolueeton eikä vaadi mielivaltaisia parametriasetuksia29. MST: tä on sovellettu vasta hiljattain aivoverkostoihin29 ja kriittisten geenien tunnistamiseen diabetes mellitus30: ssä. MST on osagrammi, joka yhdistää kaikki solmut kokonaisreunan pituuden vähentämiseksi. Tässä mielessä MST on ”runkoverkko”, joka kiteyttää testin/toimialueen väliset riippuvuudet. Mittaamaan läheisyyttä, käytämme seuraavaa kartoitusta kääntää rank korrelaatiokertoimet Spearman (ρ) etäisyyksiksi.

tämän kaavion MST lasketaan jakamalla testit/alueet verkon solmuille ja liittämällä solmut reunojen kautta siten, että pituudet ilmoitetaan ρ: llä.

yleiskatsaus testin/toimialueen tärkeydestä käyttämällä graafikeskeisyysmittareita

, jotka edustavat testejä ja alueita kuviomuodossa, mahdollistaa niiden välisten suhteiden kvantifioinnin. Koska matemaattiset graafit luonnehtivat luonnostaan solmujen merkityksellisyysmittauksia, näille solmuille osoitettuja testejä/alueita pidetään erittäin merkityksellisinä CA-mittauksessa. Ominaisuus merkitys pisteet lasketaan sitten koko kuvaajan käyttäen suosittuja Centrality mittareita, kuten aste Centrality, läheisyys Centrality ja Betweenness30. Solmun esiintyvyys tai Astekeskisyys tietyssä kaaviossa laskee sen solmun vieressä olevien reunojen lukumäärän, joka on matemaattisesti määritelty seuraavasti:

missä, g: = (N, e) on annettu kaavio, jossa |N| solmut ja |e| reunat. Yhdistetyssä kaaviossa lyhimmän polun keskipituus solmun ja kaikkien muiden verkon solmujen välillä merkitään solmun normalisoiduksi Läheisyyskeskeisyydeksi (tai läheisyydeksi). Siksi läheisyyden suuri arvo viittaa siihen, että solmu on keskeinen tai merkittävä. Läheisyys määritellään käänteisenä etäisyyksien summana solmusta kaikkiin muihin solmuihin, toisin sanoen

missä d(N1, N2) on kärkipisteiden N1 ja N2 välinen etäisyys. Samoin solmun välinen suhde laskee, kuinka usein kyseinen solmu esiintyy kuvaajan kahden muun solmun välissä lyhimmällä polulla. Suuri arvo Betweenness tarkoittaa solmu on merkityksellinen. Solmun n välinen suhde merkitään seuraavasti:

Luokittelukoe

Binääriluokitus

järjestelmän seuraava vaihe koostuu diagnoosista tai binääriluokitusongelmasta, jossa verrataan kunkin yksittäisen testin erottelusuoritusta, yhdistettyä 9-testiä ja kahta alennettua osajoukkoa käyttäen Satunnaismetsäluokitusta31. Jokainen ominaisuus osaltaan kunkin 4 Holmeshian mitat vaihtelevassa määrin (painot), jotka laskettiin vastaavasti yleistä 9 testi sekä optimaalinen osajoukko testejä.

Multilabel-luokitus

tutkimuksessamme käytetään Satunnaismetsäpohjaista hyväksyttyä algoritmia Multilabel-Luokitteluun32.

tutkimuksemme multilabel-luokitteluongelman ominaisuustulos koostui 27 pääkomponentista kaikista testeistä (3 kpl x 9 testiä). Tavoitteena oli tunnistaa vammaisuus 5 osa-alueella (0: normaali; 1: ataksinen). Osallistujaa edustavat esimerkiksi puheen, yläraajan, alaraajan, kävelyn ja tasapainon alueet; ja tämän mahdollinen label powerset-esitys on luokkien moniluokkaluokitusongelma , , , , , , , , …, missä esimerkiksi tarkoittaa osallistuja, jonka verkkotunnukset puheen ja alaraajan vaikuttavat taas verkkotunnukset yläraajan, kävelyä ja tasapainoa eivät vaikuta.

ominaisuuksien tärkeys (tai sijoitus) RF-mallissa

heti alussa RF-luokittajan optimaalinen lehtikoko tarkistetaan vertaamalla eri lehtikokojen (5, 10, 20, 50 ja 100) luokittelulla saatuja keskimääräisiä Neliövirheitä (MSE). Optimaalisella lehdenkoolla saadaan pienimmät MSE-arvot. Kun olemme arvioineet optimaalisen lehtikoon, kasvatetaan suurempi kokonaisuus, jota käytetään ominaisuuksien tärkeyden arvioimiseen. Satunnaismetsändiagnostiikkamallissa ominaisuuden merkityksen laskemiseksi lasketaan aluksi mallin MSE alkuperäisillä muuttujilla. Tämän jälkeen yhden sarakkeen arvot (jotka edustavat ominaisuutta 1 n havainnoille) permutoidaan ja MSE lasketaan uudelleen. Esimerkiksi, jos sarake ottaa ominaisuuden arvot x1, x2, x3, x4 ja satunnainen permutaatio arvot johtaa X4, x3, x1, x2; sitten tämä johtaa uuteen MSE. MSE: n ero lasketaan keskiarvona kaikista kokonaisuuden puista ja jaetaan kunkin muuttujan puista otetulla keskihajonnalla. Mitä suurempi tämä arvo on, sitä merkittävämpi muuttuja on. Eron odotetaan olevan positiivinen, mutta jos se on negatiivinen luku, niin se tarkoittaa, että satunnainen permutaatio toimi paremmin päätellen, että ominaisuudella ei ole merkitystä ennustuksessa eikä sitä pidetä tärkeänä.

TÄHTILASKENTA

kun 3 PC: n ominaisuuden tärkeys/sijoitus on arvioitu erityisessä testissä satunnaisen Metsäluokitusjärjestelmän avulla, alkuperäisen ominaisuuden painoarvo lasketaan seuraavasti:

missä WOF: tämän ominaisuuden Paino PC-komponentissa; r: PC-ominaisuuden arvo RF-mallissa. Koska jokainen ominaisuus liittyy johonkin 4 Holmeshian ulottuvuuksia, osuus yleistä vakautta, ajoitus, tarkkuus ja Rytmikkyys ulottuvuus on kertynyt weigtage kaikkien vakautta, ajoitus, tarkkuus ja Rytmikkyys ominaisuuksia vastaavasti.

Cross validation (CV)

molempien luokitteluongelmien osalta tiedot ositetaan käyttämällä Leave-one-out (Loo) – CV-tekniikkaa. Ristiintarkistamista monimerkkisissä asetuksissa vaikeuttaa se, että tavallinen (binäärinen/monilassainen) tapa ositetulle näytteenotolle ei ole sovellettavissa; vaihtoehtoisia tapoja likimääräiseen ositetulle näytteenotolle on ehdotettu 33. Tutkimuksessamme monen merkin ositus tehtiin iteratiivisella tekniikalla.

Arviointimittarit

luokittajan suorituskykyä arvioidaan käyttämällä mittareita, tarkkuutta, takaisinkutsua, F1-pisteitä, tarkkuutta ja Matthewsin korrelaatiokerrointa (MCC)34. Nämä mittarit lasketaan kullekin toimialueelle ennustettujen arvojen perusteella jokaisen LOO: ssa tehdyn validoinnin jälkeen (34 kertaa). Yleinen tarkkuus, takaisinkutsu, F1-pisteet, Multilabel-luokitteluongelman tarkkuus ovat tulosten keskiarvo LOO: n kautta 5-alueilla. Esimerkiksi

Ominaisuusjärjestys RF-junan kautta & validointi LOO: lla on keskiarvo kaikista sijoituksista jokaisessa koulutus-ja validointivaiheessa sekä binäärisen että multilabel-luokituksen ongelmissa.