Átfogó, objektív értékelése (COA) rendszer

ebben A vizsgálatban felhasználtuk BioKin17, felhő alapú, valós idejű motion capture-érzékelő platform, hogy végre egy átfogó, objektív értékelése CA. BioKin17 egy vezeték nélküli hordható eszköz egy beágyazott Tri-axiális gyorsulásmérő (modell lapkakészlet “MPU-9150” InvenSense, Inc., San Jose, CA, USA) és egy IEEE802.11b/g/n / 32 bites ARM processzoron futó vezeték nélküli kommunikációs interfész. A Deakin Egyetem Networked Sensing and Control Lab által kifejlesztett BioKin érzékelő rendszer kölcsönhatásba léphet egy Android mobilalkalmazással, hogy valós időben rögzítse az emberi test összetett mozgását, amint azt az ábra mutatja. 1. Úgy van optimalizálva, hogy csökkentse az ülepedési hatásokat és az érzékelő sodródási problémáit, kiküszöbölve az egyes inerciális szenzorok közötti táblaszintű kereszttengely-igazítási hibákat.17 Ezt az érzékelőt egy hagyományos, többkamerás optikai mozgáskövető rendszerrel (Vicon system, T40s, Oxford, UK), egy nagy pontosságú padjelző rendszerrel (high precision bench marking system18) szemben jelölték meg. BioKin 50 Hz-es mintavételi sebességgel rögzítette a giroszkóp és a gyorsulás adatait a háromdimenziós (3D) derékszögű koordinátákban. A CA értékelést hajtottak végre az alábbi lépéseket:

1. Mozgás Bemenetek által generált kilenc vizsgálatok célja, hogy utánozzák a kilenc szokásos éjjeli klinikai vizsgálatok CA, amely az 5 tartományok.

2. ezeket szenzorok rögzítik, és egy támogató alkalmazással látják el okostelefonon.

3. vezeték nélküli átvitel egy blockchain alapú elosztott felhőhálózatra19, ahol diagnosztikai és értékelési algoritmusokat alkalmaznak.

4. az adatelemzési eredmények klinikailag releváns formátumba alakulnak át.

az érzékelő platform képi ábrázolása az ábrán látható. 1.

mozgás bemenet

a vizsgálati alanyokat kilenc standard klinikai vizsgálat elvégzésére készítették; ismétlődő szótagú kiejtés( SPE), ritmikus ujjcsapás (FIN), ujj-orr/orr-ujj (FNT), diszdiadochokinesia (DDK), ballisztikus követés/ujj-hajsza (BAL), sarok-shin (HST), lábcsapolás (FOO), állás/romberg (ROM) és járás (WAL). A feladatokat a SARA-ban megadott utasításokkal összhangban hajtják végre, amelyek mind az 5 domaint lefedik. Hogy elkerüljék a zavaró tényezők miatt inog, miközben elvégzi a vizsgálatokat az ülő helyzetben, a résztvevők feltéve, axiális támogatást, azaz ülve, kényelmesen álló, ülő helyzetben. A szék háttámlája 90-100 fokos szögben volt, megfelelő fűrészáru-Támogatással, a hát alsó részével összhangban. Mind a jobb, mind a bal végtagokat értékelték.

adatgyűjtő

A COA Rendszer használt Tehetetlenségi Mérési Egység (IMUs) rendelkezik a BioKin rendszer, a hét vizsgálatot, hogy elfog transzlációs vagy forgási kinematikai a merőleges tengely keresztül gyorsulásmérő, majd lassan indulni kell. Egy 23 colos monitorral felszerelt Microsoft Kinect v2 kamerát, valamint Intel core i5 processzorral felszerelt mini PC-t is használtak a marker alapú mozgásrögzítés egyik tesztjében, valamint az abszolút pozícióinformációk megszerzéséhez.

felhőalapú algoritmusok

a rögzített adatokat ezután vezeték nélküli kapcsolaton keresztül továbbítják a blockchain alapú elosztott felhőhálózatra19, amely lehetővé teszi az orvosok számára a súlyossági pontszámok megszerzését. Matlab (R2019a, MathWorks) és Python környezetek dolgozták fel a vezeték nélküli eszközökkel továbbított adatokat.

klinikai kimenet

a rögzített adatokat az android alapú okostelefon alkalmazás, a BioKin jeleníti meg, amely kiértékelési jelentéseket és súlyossági pontszámokat generál a felhőalapú adatfeldolgozás eredményeként.

COA rendszerünkben a 6 perifériás teszt (DDK, FNT, FIN, BAL, FOO, HST) mindegyikéből az adatok motion capture útján történő megszerzésének átlagos időbeli költsége kevesebb, mint 15 másodperc. A mérleg-teszt (ROM) kevesebb, mint 30 másodperc; a járás vizsgálat(WAL) kevesebb, mint 90 másodperc, míg a beszéd teszt (SPE) kevesebb, mint 5 másodperc megszerezni az adatokat. Ezért az adatok beszerzésére és a kumulatív vizsgálati eredmény (felhőalapú algoritmusok alkalmazásával) generálására fordított átlagos időköltség egyetlen beteg esetében körülbelül 215 másodperc, illetve 5 másodperc alatt van. A tesztkészlet általában 30 másodpercet vesz igénybe.

kísérleti tervezés

résztvevők

a motoros mozgásokban az időzítésnek, a stabilitásnak, a pontosságnak és a ritmikusságnak tulajdonítható rendellenességek mélyreható elemzésére a beszéd-és kinematikai adatokat 34 olyan személytől vették fel, akiknek anyanyelve az angol volt. Huszonhárom korábban neurodegeneratív rendellenesség miatt cerebelláris ataxiát (CA) diagnosztizáltak, és részt vett a Royal Victorian Eye and Ear Hospital (RVEEH) vagy a Melbourne-i Alfred Hospital neurológiai Klinikáján. Tizenegy normál alanyok (kontrollok) voltak önkéntesek nélkül kórtörténetében neurológiai állapotok vagy más beszédzavarok. A kohorsz statisztikák összefoglalását az 1. táblázat tartalmazza. A klinikai vizsgálat előtt egyik résztvevő (controls and CA) sem ment át semmilyen rehabilitációs programon. A klinikai vizsgálat előtt egyik résztvevő (controls and CA) sem ment át semmilyen rehabilitációs programon. A felülvizsgálatot a literature20,21,22 kiderült, hogy a életkorban alakul, az életkor, a diagnózis, illetve egyéb demográfiai tényezők nem befolyásolják korában gmoender-kapcsolódó ataxia. Mivel tanulmányunk egy felnőttkori ataxia kohorszra korlátozódott, a kor és a nemhez illeszkedő kritériumok szigorú betartása nem volt megvalósítható.

etikai jóváhagyás és hozzájárulás a részvételhez

ezt a tanulmányt az emberi kutatási és Etikai Bizottság, a Royal Victorian Eye and Ear Hospital, East Melbourne, Australia (HREC Hivatkozási szám: 11/994H/16) hagyta jóvá, és a Florey Institute of Neuroscience and Mental Health, Melbourne, Ausztrália támogatta a National Health and Medical Research Council (NHMRC) Grant: gnt1101304 és app1129595. A tanulmányban szereplő valamennyi módszert a vonatkozó iránymutatásoknak és előírásoknak megfelelően hajtották végre, és az összes résztvevőtől írásbeli hozzájárulást kaptak a beiratkozás előtt. Mindkét alanytól tájékozott beleegyezést kaptunk a Fügében ábrázolt képek közzétételéhez. 1.

vizsgálati protokoll és jellemző extrakció

a kilenc neurológiai vizsgálat objektív értékelései a következő 5 tartományba vannak csoportosítva, a végrehajtási protokoll rövid leírásával. Azon jellemzők összefoglalása, amelyek kulcsfontosságúnak bizonyultak a CA diagnózisában a kapcsolódó tanulmányban4,6,7,8,9,10,11 a 2.táblázat minden egyes vizsgálati alszakaszára vonatkozóan is szerepel.

beszéd

• ismételt szótag kijelentés (SPE): a jelöltnek meg kellett ismételnie a mássalhangzó-magánhangzó szótagot/TA/ 5 másodpercig a kívánt sebességgel. A felvételeket egy kondenzátor mikrofonnal készítették, amelyet a tárgy szájától körülbelül 10 cm távolságra vágtak le egy csendes helyiségben, alacsony környezeti zajszint mellett. A BioKinMobi programot használó android telefon egy professzionális nyomozó felügyelete alatt rögzítette a beszédet. A topográfiai előtérbe alapuló automatizált algoritmust alkalmaztunk kivonat hat akusztikus funkciók a vonat ismételt / ta / szótag utterances4, 6.

• az időtartam szabályossága méri az ismételt/ta/ (RT) kijelentés ritmusának változékonyságát. Ez az 50% – os hullámadatokból kivont időzítési hiány szerves mércéje.

• A Gap szabályszerűsége két egymást követő/ta/ szótagcsúcs közötti időeltolódást méri.

• Az átlagos csúcsérték egy adott/ta/pulzus átlagos relatív magasságát/ csúcsát mérte.

• kompenzációs szabályszerűség a csúcs és annak megfelelő kiemelkedése közötti különbségek változékonyságát mérte egy adott/ta/szótagimpulzus esetében.

• csillapítási arány a /ta/ szótagok csillapítási arányainak átlagát mérte a 75% – os kiemelkedés mellett kinyert hullámadatokból.

• a rezonáns frekvencia a /ta/ szótagok rezonáns frekvenciájának átlagát mérte az 50% – os kiemelkedés mellett kinyert hullámadatokra számítva.

felső végtag

• Ritmikus ujjfúrási teszt (FIN): A résztvevők ritmikusan megérintették mutatóujjukat egy vízszintes felületre (pl. asztallap) a kívánt sebességgel és időtartammal. Egy Biokint szereltek fel a mutatóujj dorsumára az adatgyűjtéshez. A többlépcsős entrópia első 3 fő alkotóeleme (PC) a gyorsulásmérő jelek X és Z tengelyeiből és a giroszkóp jelek X tengelyéből, valamint a ritmus szabálytalanságát mérő inter-tap intervallum variációs együtthatója volt a kiválasztott jellemzők7.

• ujj-orr teszt (FNT): A résztvevők kötelesek voltak érintse meg az orrát a hegyes mutatóujjával akkor, ugyanazt ujját, el kell érni, hogy az orvos ujját elhelyezett mintegy 25 cm-re a téma orrát. A kézmozdulatokat a mutatóujj kezének dorsumához rögzített BioKin mérte. A rezonancia frekvencia és az amplitúdó a rezonancia frekvencián a kritikus jellemzők8 voltak, amelyeket a mutatóujj tenyeréhez rögzített BioKin rögzített. A gyorsulás és a szögsebesség frekvenciatartomány-leírását használták a rezonancia rögzítésére minden ortogonális tengelyen (X, Y és Z)8.

• Dysdiadochokinesia test (DDK): a résztvevőknek az egyik kezét a tenyerére kellett helyezniük, az ábrán látható módon. 1. A résztvevőket ezután arra utasították, hogy fejezzék ki a kezüket, hogy a tenyér oldala lefelé nézzen, hogy a másik tenyerén pihenjen. A tantárgyat arra is utasítják,hogy a két pozíció között a lehető leggyorsabban és a lehető legpontosabban alakítsa ki és supinálja egymást. A váltakozás sebességét a csuklóhoz rögzített BioKin IMU-ból nyerik ki. Ez a vizsgálat a mozgás koordinálásának képtelenségét vizsgálta. A pronát és a supinát, a rezonancia frekvencia és az amplitúdó változása a rezonancia frekvencián a kritikus jellemzők8 voltak.

• Ballistic tracking (BAL): a résztvevőknek a monitor képernyőjén kellett mutatniuk a célpontra. A mutatóujj mozgását a Kinect kamera segítségével észlelték, majd jelölőként mutatták be a képernyőn. A cél az, hogy pontosan kövesse a célt a kivetített (Kinect kamerával) jelölőn keresztül a képernyőn, amikor a cél gyorsan, véletlenszerűen mozog pontról pontra a monitoron. A következő kivont funkciók jelennek meg, jelentős mértékű korreláció a rokkantsági szinten ragadja meg a standard klinikai intézkedés SARA9:

• Hiba: A távolságot jelölő cél a pályák, mérni, Dinamikus teleportál módszer a Horizontális(H) vagy a Függőleges(V) tengely.

• átfogó késleltetési idő: Ezt úgy számították ki, mint a két idősor, a marker és a cél kereszt-korrelációját.

• kinematikai késleltetés: ezt a Fitts törvényében a teljesítménymérési index segítségével szereztük be. A funkció a téma teljesítményének mérése a célhelyzet elérésében.

• irányított változás a H és V tengelyben: ez az a szám, ahányszor a résztvevő megváltoztatta a gyorsulást, amit az irányított változás szempontjából mértek. Ez a funkció információkat tartalmazott a túl – /alulfelvételről, valamint a téma teljesítményéről a teszt során. A diszmetria magasabb szintje nagyobb hibaarányt eredményezett, mint a cél és a marker pályája közötti különbség.

Alsó végtag

• Sarok-shin teszt (HST): a Résztvevők kötelesek voltak hely, egy sarok a másik térdét, majd futtassa végig a sípcsont között, a sarok pedig a térd ismétlődő, valamint a lehető legpontosabban szolgáltatni. A Biokint a láb dorsumához csatolták. A rezonancia frekvencia és az amplitúdó a rezonancia frekvencián volt a kritikus jellemző8.

• Ritmikus lábcsapolás (FOO): A résztvevőknek minden lábat ritmikusan meg kellett csapniuk egy vízszintes felületre (például padlóra). A többlépcsős entrópia első 3 fő alkotóeleme (PC) a gyorsulásmérő jelek X és Z tengelyeiből és a giroszkóp jelek X tengelyéből mérve, valamint a ritmus szabálytalanságát mérő inter-tap intervallum variációs együtthatója volt a kiválasztott jellemzők7.

Balance

• Romberg test (ROM): a résztvevőknek lábakkal együtt kellett állniuk, majd lábakkal egymástól, karokkal az oldalakon a lehető leghosszabb ideig (legfeljebb 30 másodpercig); először nyitott szemmel, majd csukott szemmel. Az egyik Biokint körülbelül a xiphisternumra helyezték el egy rugalmas neoprén öv segítségével. A második Biokint a felső hátsó helyre rögzítették, a középvonalban, közvetlenül a nyak alatt. Fuzzy entrópia technikát alkalmaztak a mért csonka gyorsulásokból levezetett poszturális lengési sebességre. A levezetett sebesség entrópia értékeit23 elsősorban a neurális motorvezérlés mértékének tekintették egy csendes álló helyzetben, amelynek jelentős része arányos a test lengési sebességével. A sebességmérés bizonytalansága jelentős mennyiségű információt tartalmazott a csonka instabilitással kapcsolatban10.

járás

• Járásteszt (WAL): a résztvevőknek 5 métert kellett gyalogolniuk, majd vissza kellett térniük, amelyet 10-szer megismételtek. Az alany mozgását a xiphisternumhoz rögzített okostelefon beépített inerciális érzékelői rögzítették egy rugalmas neoprén övvel és két BioKin érzékelővel, mindegyik bokához rögzítve. Az érzékelőt úgy helyezték el, hogy X, Y és Z tengelyei ML (medio-laterális), AP (Antero-Posterior)és VT (függőleges tengely) mozgásokat rögzítettek. Minden ortogonális tengelyen (X, Y és Z) a frekvenciatartomány leírását használták a rezonancia rögzítésére11. Minden tárgy esetében a nagyságot és a rezonanciát használták minden tengelyen egy jellemző vektor létrehozásához. Egy másik jellemző, fuzzy entrópia-alapú sebesség szabálytalanság intézkedés csonka rendellenesség (VI)választották a tanulmányban11 mérésére járás véletlenszerűség vagy bizonytalanság szinten járás közben. Az in23 tanulmány fuzzy entrópiát (FuzzyEn) vezetett be a csonka ataxia elfogására.

a vizsgálatba bevont ataxikus kohorszra hivatkozva azoknak, akiknek Sara-pontszáma 7 a gyalogláshoz – például járási segédeszközre van szükség, a beteget a megfelelő járási segédeszköz (azaz egypontos bot vagy négykerekű keret (4WF)) használatával kell elvégezni.

Ataxic dimensions (STAR)

Gordon Holmes műveit gyakran úgy említik,hogy alapvető hatással vannak a cerebellar lesions2,3, 24 klinikai tüneteinek és jeleinek megértésére. Tanulmányunkban áttekintettük Holmes megközelítését, amely szerint az alany mozgását cerebelláris diszfunkcióval jellemezzük négy dimenzióban (stabilitás, időzítés, pontosság & Ritmikusság).

• stabilitás (ok): ez a platform stabilitására vonatkozik (végrehajtás). A platform az ízületek és izmok, amelyek viszonylag rögzített, és lehetővé teszi a mozgó testrész, hogy végre egy feladatot pontosan. Például a DDK feladat megköveteli a váll és a könyök hajlításának viszonylagos stabilitását, valamint a hosszabbítást a hatékony végrehajtás érdekében. A relatív instabilitás a másodlagos tengelyek felesleges mozgásának növekedését eredményezi.

• Időzítés (T): Ha a CA jelen van, feladatokat, hogy van egy időkorlát, mint a BAL általában kiderül, hogy fokozott késleltetést, mielőtt a mozgás kezdődik, majd a feladat végrehajtása lassabb sebességgel, mert egy kevésbé közvetlen irányt venni. Ugyanezek a jellemzők gyakran még időbeli korlátok hiányában is nyilvánvalóak. Ezek a funkciók nyilvánvalóbbak, ha a CA súlyosabb, ami arra utal, hogy, tudat alatt, az időzítés semleges kereskedelem a feladat befejezéséhez. Számítási szempontból felismertük, hogy a cél közötti hiba az elért eredményekkel szemben, amelyet valószínűleg a következő kettő befolyásol:

• idő a tárgy kezdeményezéséhez egy pillanat.

• a mozgás (sebesség) befejezésének ideje.

  • pontosság (a): fogalmilag egy feladat lassan elvégezhető, de a leghatékonyabb célt követi. Ilyen körülmények között ezt “pontos” teljesítménynek tekintjük. Ha egy kevésbé közvetlen elérési utat követnek (például a BAL feladatban), vagy a felvétel alatt vagy alatt van, akkor a feladat “hibák” lesz a vezérlési teljesítményhez képest (elismerve, hogy ez időzítési hibákhoz is társulhat). Számítási szempontból ebben a tanulmányban a cél/tér célkitűzések közötti hibaként ismerjük el azt a térbeli kontextusban (statikus) elért eredményekkel szemben.

  • Ritmikusság( R): ismétlődő mozgások szabálytalansága.

A funkciók minden egyes vizsgálat a javasolt COA Rendszer vannak rendelve, hogy a fent említett méretek át a következő 2 szakaszból áll:

1. (a) A végrehajtás tengely irányát az elsődleges mozgalom szükséges végrehajtani a tervezett feladatot, valamint volna attribútum rhythmicity vagy időzítés dimenzió.

   (b) a feladat végrehajtásához szükséges leghatékonyabb vagy szabványos útvonaltól való bármilyen eltérés pontossági jellemzőknek tekintendő.

2. a többi tengely túlzott mozgása másodlagos mozgásnak minősül, és a stabilitási dimenziónak tulajdonítható.

képi ábrázolás az ábrán. 2 szemlélteti a csillag értelmezése minden területen, mint egy a javasolt 2-lépés megközelítés.

STAR Címkézési kritériumok.

ismétlődő tesztek (DDK, FNT, FIN, FOO, HST) során a rezonancia frekvencia az y tengely mentén (elsődleges) hozzájárul a sebességhez, ezért időzítési jellemzőnek tekintik, míg a rezonancia nagyságát ritmikus jellemzőnek tekintik. A más tengelyekben jelen lévő másodlagos mozgásokat/zavarokat stabilitási jellemzőknek nevezzük.

a célalapú tesztek (BAL) esetében a cél üldözésének elsődleges mozgásának bármilyen késése időzítési jellemzőnek tekinthető; a cél teljesülésének vagy a cél teljesítésének bármilyen mértékű eltérésének mértéke határozza meg a résztvevő teljesítményét, és így méri a pontosságot; a túlzott/nem hatékony mozgásokat kiszolgáló bármely más jellemző stabilitás alatt van jelölve.

a járásteszt abból áll, hogy egyenes vonalban (az AP tengely mentén) rendszeres ütemben halad előre, minden lábat ritmikus módon felemelve és lefelé állítva. Ez a Ritmikus információra utal, míg az AP tengelytől (azaz az ML tengelyben történő mozgástól) a csonka ingadozás mértéke a pontossági információkat fogja következtetni. Ezenkívül a VT tengely nem kívánt ingadozását stabilitási jellemzőnek tekintik.

az egyensúly teszt, a résztvevő várhatóan fenntartani egy állandó egyenes testtartás mentén VT tengely. Ez az elsődleges mozgásuk, a VT tengely bármely eltérése vagy ingadozása pontatlanságot eredményez, és az AP vagy az ML bármely más nem kívánt csonka ingadozása stabilitási jellemzőnek tekinthető.

a beszédteszthez az ismétlődő /ta/ kijelentések ritmikus jellegét mérő jellemzőket, például az egymást követő /ta/ kijelentések közötti rést, az a /ta/ időtartamát ritmikus jellemzőknek, a rezonáns frekvencia funkciót pedig időzítési jellemzőnek tekintik. Az alacsonyabb csillapítási arány magasabb oszcillációt jelez. Ezért az a /ta/ kijelentés alacsonyabb csillapítási aránya, mint ataxikus akusztikus jellemző, a hang artikuláció során a vokális traktus instabilitását jelzi.

a kilenc teszt összefoglalása 5 domainben, amely 172 jellemzőt generál, a 2. táblázat CSILLAGÉRTELMEZÉSÉVEL jelenik meg.

klinikai értékelés

CA-t egy tapasztalt klinikus a SARA-skála szerint pontozta, míg az ataxia-val rendelkező betegek minden feladatot elvégeztek. SARA egy klinikai skála által kifejlesztett Schmitz-Hübsch et al.25,26 amely a cerebelláris ataxia különböző károsodásait értékeli, a beszédtől az egyensúlyig. A skála alkotja 8 kategóriában pontszámok kezdve, mint járás (0-8 pont), álláspont (0-6 pont), ül (0-4 pont), beszédhiba (0-6 pont), ujj chase (0-4 pont), orr-ujj teszt (0-4 pont), gyorsan váltakozó kéz mozgása (0-4 pont), sarok-shin dia (0-4 pont). Miután a klinikus értékeli az egyén 8 kategóriájának mindegyikét, tovább kiszámíthatják a kumulatív pontszámot 0-tól (nincs ataxia) 40-ig (legsúlyosabb ataxia), hogy meghatározzák az ataxikus alany ataxia súlyosságát. Tanulmányunkban a szubjektív elfogultság elkerülése érdekében az egyik klinikus értékelte az összes feladatot.

COA rendszer 3-szintű értékelési rendszere

a javasolt műszeres rendszerbe (COA rendszer) beépítendő technikákat egy folyamatábra segítségével mutatják be (ábra. 3)a következő alszakaszokban.

a COA Rendszer 3 szintes értékelési folyamatábra.

Jellemzőcsökkentés és statisztikai elemzés

Az egyes tesztek eredeti funkciókivonása a vonatkozó korábbi vizsgálatokon alapult4,6,7,8,9,10,11. Összesen 172 jellemzőt azonosítottak kritikusnak az egyes tesztek objektív értékeléséhez. A folyamatmérések sok Korrelált vagy redundáns adatot tartalmaznak. Fontos, hogy eltávolítsuk őket, és kivonjuk azokat a funkciókat, amelyek a leginkább független relevanciát hordozzák. A Principal Component Analysis (PCA)27 egy olyan adattömörítési, extrakciós és vizualizációs eszköz, amelyet több kapcsolódó tényező egymáshoz nem kapcsolódó változók csoportjává alakítására használnak. PCA tömöríteni az eredeti 172 funkciók 27 db (3 db mind a 9 vizsgálatok) (ábra. 3). Ezenkívül a kritikus információk nem az egyéni teszt egyetlen változójából származnak, hanem gyakran a változók közötti kapcsolatból erednek, azaz hogyan változnak együtt. A PCA az ilyen információk értékelésére a leggyakrabban használt többváltozós statisztikai módszerek közül a legmegfelelőbb, mivel nagy számú, erősen korrelált, zajos és redundáns tényezőt képes kezelni.

a hipotézisvizsgálat p-értékét az egyes tesztek eredményül kapott 3 db (PCs 1-2-3) eloszlására számítják ki az 5 tartomány mindegyikére (beszéd, felső végtag, alsó végtag, járás, egyensúly) annak meghatározására, hogy az alanyok csoportjai (kontroll és ataxic) jelentősen különböznek-e. Az egyes tartományokban a SARA-val rendelkező egyének nullánál nagyobb mértékűek, ataxic-ként vannak csoportosítva, és azok a kontrollok és alanyok, akik egy adott teszt esetében 0 SARA-pontszámot értek el, a szokásos módon vannak csoportosítva. Nem parametrikus statisztikai vizsgálatokat (Kolmogorov—Smirnov (KS) és Mann-Whitney-Wilcoxon (MWW)) fogadnak el az adatelosztásra vonatkozó feltételezések elkerülése érdekében.

Gráf elmélet & központi intézkedések

Vizuális mennyiségi meghatározása a vizsgálati/domain függőségek

Gráf elmélet alkalmazott kaphat további betekintést a kapcsolatok között vizsgálatok, illetve tartományok. A tesztek és a tartományok egy hálózat csomópontjaihoz lettek hozzárendelve, amelyek a csomópontokat szélekkel egyesítették, a Spearman rang korrelációs együtthatóit (ρ) reprezentáló hosszúságokkal. A csomópont centralitása jelzi a csomóponthoz szomszédos élek számát, valamint az összes többi csomópont közelségét, amelyet a csomópont fontosságának jelzéseként tekintünk. Az a frekvencia, amelyet egy csomópont a két másik csomópont közötti legrövidebb úton jelenik meg, szintén fontos intézkedés. A minimum Spanning Tree (MST) elemzés28-at tanulmányunkban megbízható mérceként használjuk a hálózatok különböző csoportokon keresztüli összehasonlításához, mivel elfogulatlan, és nem igényel tetszőleges paraméterbeállításokat29. Az MST-t csak a közelmúltban alkalmazták az agyhálózatokra29 és a diabetes mellitus kritikus génjeinek azonosítására30. Az MST egy algráf, amely összeköti az összes csomópontot a teljes élhossz csökkentése érdekében. Ebben az értelemben az MST a “gerinc” hálózat, amely magában foglalja az inter-test / domain függőségeket. A közelség méréséhez a következő leképezést használjuk a Spearman (ρ) rang korrelációs együtthatóinak távolságokra történő lefordításához.

$F(\rho) =1-\rho ,$$

(1)

$vagy,f(\rho) =\sqrt{2(1-\Rho)}.$$

(2)

MST ez a grafikon számított hozzárendelésével a tesztek/domain a csomópontok egy hálózat csatlakozik a csomópontok keresztül széleit hosszúságú által megadott ρ.

A teszt/domain fontosságának áttekintése gráfközpontúsági mérésekkel

a tesztek és tartományok ábrázolása gráf formában lehetővé teszi a köztük lévő kapcsolatok számszerűsítését. Mivel a matematikai gráfok lényegében jellemzik a csomóponti szignifikancia méréseket, az ezekhez a csomópontokhoz rendelt tesztek/tartományok rendkívül relevánsak a CA mérésében. A jellemző fontossági pontszámot ezután a teljes grafikonon olyan népszerű Centrális intézkedések segítségével számítják ki, mint a Fokközpontúság, a Közelségközpontúság és a Betweenness30. Az Előfordulási gyakorisága, vagy Diploma Központúsága egy csomópont egy adott gráf számít az élek száma szomszédos, hogy csomópont, amely matematikailag meghatározott,

$${C}_{D}(N)={\rm{\deg }}(N)$$

(3)

hol, g := (N, e) az adott grafikon a |N| a csomópontok és |e| élek. Egy összekapcsolt gráfban a csomópont és a hálózat összes többi csomópontja közötti legrövidebb út átlagos hosszát egy csomópont normalizált közelségi Centralitásának (vagy közelségének) nevezzük. Ezért a közelség magas értéke azt jelenti, hogy a csomópont központi vagy jelentős. Közelség határozza meg, mint a kölcsönös a távolságok összege a csomópont minden más csomópontok, azaz

$${C}_{C}({N}_{1})=\frac{1}{{\összeget }_{y}d({N}_{2},{N}_{1})},$$

(4)

ahol d(N1, N2) a pontok közötti távolság N1, illetve N2. Hasonlóképpen, egy csomópont közötti kiszámítja, hogy milyen gyakran jelenik meg ez a csomópont a gráf két másik csomópontja között a legrövidebb úton. A köztes érték magas értéke azt jelenti, hogy a csomópont releváns. A Betweenness egy csomópont N jelöli,

$${C}_{B}(N\rangle =\összeg _{{N}_{1}\nom N\nom {N}_{2}\N}\,\frac{{\sigma }_{{N}_{1}{N}_{2}}(N\rangle }{{\sigma }_{{N}_{1}{N}_{2}}},$$

(5)

Osztályozási kísérlet

Bináris osztályozás

a következő lépés A rendszer tartalmaz egy diagnózis, vagy egy bináris osztályozási probléma összehasonlítva a megkülönböztetés teljesítményét az egyes vizsgálatok, a kombinált 9 teszt két csökkentett alcsoport segítségével Véletlenszerű Erdő (RF) classifier31. Minden funkció hozzájárult ahhoz, hogy minden egyes 4 Holmeshian méretek különböző mértékben (a súlyok), amelyeket ennek megfelelően kiszámították a teljes 9 teszt, valamint az optimális részhalmaza vizsgálatok.

Multilabel osztályozás

tanulmányunkban a multilabel Osztályozás32 véletlenszerű erdei alapú elfogadott algoritmusát használjuk.

a tanulmányunk multilabel osztályozási problémájának jellemző bemenete 27 fő komponensből állt az összes tesztből (3 db x 9 teszt). A cél az volt, hogy azonosítsa a fogyatékosságot 5 tartományban (0: normál; 1: ataxic). Például, a résztvevő által képviselt tartományok beszédet, felső végtag, alsó végtag, járása egyensúly; az lehetséges, a címkét powerset ábrázolása ez egy multi-osztály osztályozási probléma a osztály , , , , , , , , …, ahol például jelöli a résztvevő, akinek a tartományok, mind a beszéd, mind az alsó végtag érintett mivel a tartományok felső végtag, járása egyensúly nem érinti.

Funkció fontosságát (vagy rang) a RF modell

a kezdetektől, az optimális levél mérete egy RF osztályozó által ellenőrzött összehasonlítva azt Jelenti, Négyzetes Hiba (MSE) által megszerzett besorolás a különböző levél méretben (5, 10, 20, 50, 100). Az optimális levélméretnek a legalacsonyabb MSE értékeket kell biztosítania. Miután becsültük az optimális levélméretet, egy nagyobb együttest termesztünk, amelyet a jellemzők fontosságának becslésére használunk. A funkció fontosságának kiszámításához a Random forest diagnosztikai modellben kezdetben kiszámítják a modell MSE-jét az eredeti változókkal. Ezután egy oszlop értékei (az n megfigyelések 1.jellemzőjét reprezentálva) permutálódnak, majd az MSE-t újra kiszámítják. Ha például egy oszlop x1, x2, x3, x4 jellemzőértékeket vesz fel, az értékek véletlenszerű permutációja pedig x4, x3, x1, x2; akkor ez új MSE-t eredményez. Az MSE különbségét az együttes összes fája átlagolja, és elosztja az egyes változók fáit átvevő szórással. Minél nagyobb ez az érték, annál jelentősebb a változó. A különbség várhatóan pozitív lesz, de ha negatív szám, akkor azt jelenti, hogy a véletlenszerű permutáció jobban működött, mivel arra a következtetésre jutott, hogy a funkciónak nincs szerepe az előrejelzésben, és nem tekinthető fontosnak.

CSILLAGSZÁMÍTÁS

miután a 3 PC-funkció fontosságát / rangját egy adott tesztre értékelték a véletlenszerű erdő rangsorolási sémán keresztül, az eredeti funkció súlyát a következőképpen számítják ki:

$feature\_weights=WOF\_inpc{1}^{\ast }R\_PC1+WOF\_inpc{2}^{\ast }R\_PC2+WOF\_inpc{3}^{\ast }R\_PC3,$

(6)

ahol WOF: ennek a funkciónak a súlya egy PC komponensben; r: rank a PC funkció RF modell. Mivel minden egyes funkció a 4 Holmeshian dimenzió egyikére vonatkozik, az általános stabilitás, időzítés, pontosság és ritmikus dimenzió hozzájárulása az összes Stabilitási, időzítési, pontossági és ritmikai tulajdonság halmozott weigtage-je.

Cross validation (CV)

mindkét osztályozási probléma esetében az adatokat rétegezzük a Leave-one-out (LOO) CV technikával. A multilabel-beállítások keresztellenőrzését bonyolítja az a tény, hogy a rétegzett mintavétel szokásos (bináris/többosztályos) módja nem alkalmazható; a közelítő rétegzett mintavétel alternatív módjait javasolták33. Tehát tanulmányunkban a többcímkés rétegződést iteratív technikával végeztük.

értékelési mutatók

az osztályozó teljesítményét mérőszámok, precizitás, visszahívás, F1 pontszám, pontosság és Matthews korrelációs együttható (MCC)34 segítségével értékeljük. Ezeket a mutatókat az egyes tartományokra a LOO-ban (34-szer) végzett validálás után előre jelzett értékek alapján számítják ki. Általános pontosság, visszahívás, F1 pontszám, a multilabel osztályozási probléma pontossága az eredmények átlaga a LOO-n keresztül az 5 tartományokban. Például:

$general \ _precision = sum (precision\_values\_in\_5\_domains)/5.$$

(7)

a Funkciót rangsor keresztül RF vonat & érvényesítés a WC-az átlagos, a rang, az egyes képzési érvényesítési fázis, mind a bináris, illetve multilabel osztályozási problémák.