Articles

小脳失調症の客観的評価:包括的で洗練されたアプローチ

by admin 10月 15, 2021

包括的な客観的評価(COA)システム

本研究では、クラウドベースのリアルタイムモーションキャプチャセンサープラットフォームであるBiokin17を用いて、CAの包括的な客観的評価を行いました。 Biokin17は、三軸加速度計を内蔵したワイヤレスウェアラブルデバイス（InvenSense,Inc.のモデルチップセット”MPU-9150″）である。ＳａｎＪｏｓｅ，ＣＡ，ＵＳＡ）およびＩＥＥＥ８０２を参照されたい。11b/g/n/32ビットARMプロセッサ上で動作する無線通信インタフェース。 Deakin UniversityのNetworked Sensing and Control Labによって開発されたBioKinセンサーシステムは、Androidモバイルアプリケーションと対話して、図1に示すように、人体の複雑な動きをリアルタイム 1. 各慣性sensor17間の板レベルの交差軸線の直線の間違いの除去によって解決の効果およびセンサーの漂流問題を減らすことを最大限に活用する。このセンサーは、従来の複数のカメラベースの光学運動追跡システム（Vicon system、T40S、Oxford、UK）、高精度のベンチマーキングシステム18に対してベンチマークされました。 BioKinは、50Hzのサンプリングレートで三次元（3D）デカルト座標でジャイロスコープと加速度データをキャプチャしました。 CA評価は、以下の手順によって行われました：

5つのドメインをカバーするCAの標準的なベッドサイド臨床試験を模倣する九つの計装試験によ
これらはセンサーによってキャプチャされ、スマートフォンのサポートアプリケーションで視覚化されます。
診断および評価アルゴリズムが適用されるblockchainベースの分散クラウドnetwork19への無線伝送。
データ分析結果は、臨床的に関連する形式に変換されます。

センサプラットフォームの絵的表現を図に示す。 1.

モーション入力

被験者は、九つの標準的な臨床試験を実行するために行われました; 繰り返し音節発話（SPE）、リズミカルな指タッピング（フィン）、指鼻/鼻指（FNT）、dysdiadochokinesia（DDK）、弾道追跡/指チェイス（BAL）、かかとシン（HST）、足タッピング（FOO）、スタンス/romberg（ROM）と歩行（WAL）。タスクは、5つのドメインすべてをカバーするSARAで指定された命令とインラインで実行されます。座位でテストを行っている間動揺による交絡因子を避けるためには、関係者は直立した座位で楽に着席させて軸サポートすなわち提供された。椅子のあと振れ止めサポートはより低い背部と一直線に十分な製材サポートとの90-100度で斜めだった。右および左の手足の両方を評価した。

データ収集

COAシステムは、加速度計とジャイロスコープを介して直交軸の並進運動と回転運動をキャプチャするために、BioKinシステムに装備されている慣性測定ユニット（Imu）を利用しました。 23インチモニターを搭載したMicrosoft Kinect V2カメラとIntel core i5プロセッサを搭載したmini PCは、マーカーベースのモーションキャプチャのテストの一つでも使用され、絶対位置情報を取得した。

クラウドベースのアルゴリズム

記録されたデータは、その後のデータ処理のために無線接続を介してブロックチェーンベースの分散クラウドnetwork19に転送され、医師は重大度スコアを取得することができます。 MATLAB（R2019A、MathWorks）とPython環境は、無線手段を介して送信されたデータを処理しました。

臨床出力

キャプチャされたデータは、クラウドベースのデータ処理の結果として評価レポートと重症度スコアを生成するandroidベースのスマートフォン私たちのCOAシステムでは、6つの周辺テスト（DDK、FNT、FIN、BAL、FOO、HST）のそれぞれからモーションキャプチャを介してデータを取得する平均時間支出は15秒未満です。バランステスト（ROM）は30秒未満、歩行テスト（WAL）は90秒未満、音声テスト（SPE）はデータの取得に5秒未満かかります。したがって、データを取得し、（クラウドベースのアルゴリズムを使用して）単一の患者の累積検査結果を生成するための平均時間的支出は、それぞれ約215秒通常、テストセットには最大30秒かかります。

実験デザイン

参加者

運動の動きのタイミング、安定性、精度とリズムに起因する異常の詳細な分析のために、音声と運動学的データは、母国語が英語であった34の被験者から記録された。二十から三は、以前に神経変性疾患のために小脳運動失調（CA）と診断され、メルボルンのロイヤルビクトリアン目と耳病院（RVEEH）またはアルフレッド病院で神経学クリニックに出席しました。健常者（対照）は，神経学的状態または他の言語障害の病歴のないボランティアであった。コホート統計の概要を表1に示します。参加者（対照およびCA）のいずれも、この臨床調査の前にリハビリプログラムを受けていなかった。参加者（対照およびCA）のいずれも、この臨床調査の前にリハビリプログラムを受けていなかった。文献のレビュー20、21、22は、発症年齢、診断年齢および他の人口統計学的要因が運動失調に関連する年齢およびgmoenderに影響を与えないことを明らかにした。私たちの研究は成人発症運動失調コホートに限定されていたため、年齢と性別の一致した基準を厳密に遵守することは実現できませんでした。

登録された参加者の表1臨床特性。

倫理の承認と参加への同意

この研究は、人間の研究と倫理委員会、ロイヤルビクトリア朝の目と耳病院、東メルボルン、オー gnt1101304およびapp1129595。この研究のすべての方法は、関連するガイドラインおよび規制に従って実施され、登録前にすべての参加者から書面による同意が得られた。インフォームドコンセントは、図に描かれた画像を公開するために、両方の被験者から得られた。 1.

テストプロトコルと特徴抽出

九つの神経学的検査の客観的評価は、その実行プロトコルの簡単な説明と以下の5つのドメインにグルー関連するそれぞれの研究におけるCAの診断に重要であることが証明された特徴の要約4,6,7,8,9,10,11 また、表2の各テストサブセクションについても含まれています。

表2 9つの神経学的検査から抽出された172の特徴の星の特性に関する簡単な説明。

Speech

繰り返し音節発話（SPE）：候補者は、子音-母音の音節/ta/を好みの速度で5秒間繰り返す必要がありました。録音は、周囲の騒音レベルの低い静かな部屋で、被験者の口から約10cmの距離でクリップされたコンデンサーマイクを使用して行われました。プロの研究者の監督の下でプログラムBioKinMobiを使用してandroid携帯電話は、音声をキャプチャしました。トポグラフィプロミネンスベースの自動化されたアルゴリズムは、繰り返し/ta/音節発話4,6の列車から六つの音響特徴を抽出するために採用されました。
持続時間の規則性は、繰り返される/ta/（RT）発話のリズムの変動を測定します。これは、50％のプロミネンスで波データから抽出されたタイミング赤字の積分尺度として識別されます。
ギャップ規則性は、二つの連続する/ta/音節のピーク間の時間差の変動を測定します。
平均ピークプロミネンスは、考慮された特定の/ta/パルスの平均相対標高/ピークを測定しました。
補償規則性は、特定の/ta/音節パルスのピークとそれに対応するプロミネンスとの間で計算された差の変動性を測定しました。
減衰比は、75％のプロミネンスで抽出された波データから計算された/ta/音節の減衰比の平均を測定しました。
共振周波数は、50％のプロミネンスで抽出された波データで計算された/ta/音節の共振周波数の平均を測定しました。

上肢

リズミカルな指タッピングテスト（フィン）：参加者は、人差し指を水平面（テーブルトップなど）に対して、好みの速度と持続時間でリズミッデータ収集のために人差し指の背にバイオキンを取り付けた。加速度計信号のX軸とz軸とジャイロスコープ信号のX軸から測定されたマルチスケールエントロピーの最初の3つの主成分(PC)と、リズムの不規則性を測定するタップ間間隔の変動係数が選択された特徴7であった。

li: 参加者は、尖った人差し指で鼻に触れ、同じ指を使用して、被験者の鼻から約25cmに置かれた臨床医の指に手を差し伸べて触れる必要がありました。手の動きは、指差し人差し指の手の背に取り付けられたバイオキンによって測定された。共振周波数と共振周波数での振幅は、指している人差し指の手のひらに取り付けられたバイオキンによって捕捉される重要な特徴8であった。加速度および角速度の周波数領域の記述を使用して、各直交軸（X、YおよびZ）8における共振を捕捉した。Dysdiadochokinesiaテスト（DDK）：参加者は、図に示すように、一方の手の背を他方の手の手のひらに置く必要がありました。 1. 参加者は、手のひら側が他方の手の手のひらに休むように下向きになるように、自分の手をpronateするように指示されました。被験者はまた、可能な限り迅速かつ正確にこれら二つの位置の間で交互に回旋および仰臥するように指示されます。交代の速度は、手首に取り付けられたBioKinのIMUから抽出されます。このテストは、動きを調整することができないかどうかを調べました。 Pronateおよびsupinateの変化速度、共鳴周波数および共鳴周波数での振幅が重要な特徴であった8。

弾道追跡（BAL）：参加者は、モニター画面上のターゲットを指すように要求されました。 Kinectカメラを用いて人差し指の動きを検出し、画面上にマーカーとして提示した。目的は、ターゲットがモニター上のポイントからポイントへと急速かつランダムに移動しているときに、画面上の投影（Kinectカメラを使用）マーカーを介してターゲットを正確に追跡することです。次の抽出された特徴は、標準的な臨床尺度SARA9によってキャプチャされた障害レベルとの相関の有意なレベルを示した：

エラー：水平（H）と垂直（V）軸/p>
包括的なタイムディレイ: これは、二時系列、マーカーおよびターゲットの相互相関として計算された。
運動学的遅延：これは、フィッツの法則の性能測定の指標を使用して得られました。特徴は、目標位置に到達する際の被験者の性能を測定することである。
H軸とV軸の方向変化：これは、参加者が方向変化の観点から測定された加速度を変更した回数です。この機能には、試験中の被験者のパフォーマンスと同様に、オーバー/アンダーシュートの情報が含まれていました。高レベルの異視は，ターゲットとマーカの軌道の差に応じて大きな誤り率を推論した。

下肢

かかと-脛テスト（HST）：参加者は、反対側の膝にかかとを置き、脛骨に沿って、かかとと膝の間を繰り返し、できるだけ正確に実行すバイオキンは足の背側に取り付けられていた。共振周波数と共振周波数での振幅が重要な特徴でした8。
: 参加者は、リズミカルに水平面（例えば床）に対して各足をタップする必要がありました。加速度計信号のX軸とz軸とジャイロスコープ信号のX軸から測定されたマルチスケールエントロピーの最初の3つの主成分（PC）と、リズムの不規則性を測定するタップ間間隔の変動係数が選択された特徴7であった。

バランス

Rombergテスト（ROM）：参加者は足を一緒に立ってから足を離して、腕をできるだけ長く（最大30秒）立つ必要がありました。; 最初に目を開いてから目を閉じます。一つのバイオキンは弾性ネオプレンベルトによってｘｉｐｈｉｓｔｅｒｎｕｍ上にほぼ配置された。第二のバイオキンは、首のすぐ下の中央線の上の背中の場所に取り付けられていました。測定したトランカル加速度から推定した姿勢動揺速度にファジィエントロピー法を用いた。推定された速度のエントロピー値23は、主に、かなりの部分が体の揺れ速度に比例する静かな立った姿勢の間の神経運動制御の尺度として考慮された。速度測定の不確実性には、truncal不安定性に関する重要なレベルの情報が含まれていました10。

歩行テスト（wal）：参加者は5メートル歩く必要があり、10回繰り返された戻ります。被験者の動きは、伸縮性のあるネオプレンベルトと各足首に取り付けられた二つのBioKinセンサーによってxiphisternumに取り付けられたスマートフォンの内蔵慣性センセンサは、そのＸ軸、Ｙ軸およびＺ軸がそれぞれＭＬ（中央−横方向）、ＡＰ（前後方向）およびＶＴ（垂直軸）の動きを捕捉するように配置された。各直交軸（X、Y、Z）では、周波数領域の記述を使用して共振をキャプチャしました11。各被験者について、大きさおよび共鳴を各軸で使用して特徴ベクトルを形成した。もう一つの特徴、truncal異常（VI）のためのファジィエントロピーベースの速度不規則性測定は、歩行中の歩行ランダム性または不確実性レベルを測定するためにstudy11 2013年の研究では、ファジィエントロピー（Fuzzy entropy）を導入して運動失調を捉えることができた。

私たちの研究に登録された運動失調コホートを参照して、歩行のためのSARAスコア7を持つ人のために–歩行補助が必要な場合、患者は適切な歩行補助（

運動失調次元（スター）

ゴードン-ホームズの作品は、しばしば小脳病変の臨床症状および徴候の理解に基礎的な影響を与えると引用されている2,3,24。我々の研究では、4つの次元（安定性、タイミング、正確さ&リズム）の観点から小脳機能障害を伴う被験者の動きを特徴付けるHolmesのア

安定性：これは（実行の）プラットフォームの安定性に関連しています。プラットフォームは、比較的固定されており、移動する身体部分が正確にタスクを実行することを可能にする関節および筋肉である。たとえば、DDKタスクは、効率的な実行のために肩と肘の屈曲と伸展の相対的な安定性を必要とします。相対的な不安定性は二次斧の不必要な動きの増加で起因する。
Timing(T):CAが存在する場合、BALなどの時間制約を持つタスクは、通常、移動が開始され、タスクがより遅い速度で実行される前に遅延が増加しているこ同じ機能は、時間の制約がない場合でも、しばしば明らかです。これらの特徴は、CAがより深刻であるときにより明白であり、無意識のうちに、タイミングがタスクを完了するための中立的なトレードオフであることを示唆している。計算的には、目標と達成されたものとの間の誤差として認識し、次の2つの影響を受ける可能性があります。

被験者が瞬間を開始する時間。移動を完了する時間（速度）。
移動を完了する時間（速度）。
精度（A）：概念的には、タスクはゆっくりと完了するが、最も効率的なターゲットに従う可能性があります。このような状況下では、これは”正確な”パフォーマンスであると考えています。より直接的なパスが（例えばBALタスクで）フォローされているか、シュートの下または上にある場合、タスクは制御パフォーマンスと比較して”エラー”になります（これはタイミングエラーにも関連している可能性があることを認識しています）。計算面では、この研究では、空間的文脈（静的）で達成されるものに対する目標/空間目標の間の誤差として認識しています。
リズム性（R）：繰り返しの動きの不規則性。

提案したCOAシステムの各テストの特徴は、以下の2ステップのアプローチによって前述の寸法に割り当てられます。

(a)実行軸は、意図したタス

(b)タスクを実行するために必要な最も効率的なパスまたは標準パスからの偏差は、精度の特徴とみなされます。
他の軸の過度の動きは、二次的な動きとみなされ、安定性の次元に帰属します。る。

図1の絵的な表現である。

図2は、提案された2ステップアプローチによる各ドメインの星の解釈を示しています。

反復テスト（DDK、FNT、FIN、FOO、HST）では、y軸（プライマリ）に沿った共振周波数が速度に寄与するため、共振の大きさはリズミカルな特徴とみな他の軸に存在する二次的な動き/外乱は、安定性の特徴と呼ばれます。

ターゲットベースのテスト(BAL)では、ターゲットを追跡する主な動きの遅延は、タイミング機能として考慮されます; ターゲットがどれだけ満たされるか、またはターゲットを満たすことの偏差の程度は関係者の性能を定義し、それ故に正確さを測定する;余分な/非能率的な動きに食料調達する他のどの特徴も安定性の下で印が付いている。

歩行テストは、リズミカルな方法で各足を持ち上げて下に置くことによって、規則的なペースで（AP軸に沿って）直線で前方に歩くことからなります。これは、リズム情報を推測するのに対し、AP軸からのtruncal揺れの程度（すなわち、ML軸での動き）は精度情報を推測する。さらに、VTの軸線のどの望ましくない動揺でも安定性の特徴として考慮される。

バランステストのために、参加者はVT軸に沿って安定したまっすぐな姿勢を維持することが期待されます。これは主な動きであり、VT軸の偏差または揺れは不正確さを説明し、APまたはMLのいずれかの他の望ましくないtruncal揺れは安定性特徴とみなされます。

音声テストでは、繰り返し/ta/発話のリズミカルな性質を測定する特徴、例えば、連続した/ta/発話間のギャップ、/ta/の持続時間をリズミシティ特徴とし、共振周波数特徴をタイミング特徴とする。減衰比が低いほど振動が高いことを示します。したがって，ａ／ｔａ／発話の減衰比が低いことは，運動失調性音響特徴として，音声調音中の声道の不安定性を示している。

5つのドメインで172の特徴を生成する九つのテストの要約は、表2にその星の解釈を提示されています。

臨床評価

CAは、運動失調を有する被験者が各タスクを実行しながら、SARAスケールに従って経験豊富な臨床医によってスコア化されました。 SARAはSchmitz-Hübschらによって開発された臨床スケールです。25,26これは、スピーチからバランスに至るまで、小脳運動失調における異なる障害の範囲を評価します。スケールは、歩行（0-8ポイント）、スタンス（0-6ポイント）、座って（0-4ポイント）、音声障害（0-6ポイント）、指チェイス（0-4ポイント）、鼻-指テスト（0-4ポイント）、高速交互手の動き（0-4ポイント）、かかと-脛スライド（0-4ポイント）に至るまでのスコアを持つ8つのカテゴリで構成されています。臨床医が個人のための8つのカテゴリーのそれぞれを評価すると、彼らはさらに、0（運動失調なし）から40（最も重度の運動失調）の範囲の累積スコアを計算して、運動失調症の被験者の重症度を決定することができます。私たちの研究では、主観的偏見を避けるために、1人の臨床医がすべての課題を評価しました。

COAシステムの3層評価スキーム

提案された計装システム（COAシステム）に組み込まれる技術は、フローチャート（図）を介して実証されています。 3）と以下のサブセクションで概説しました。

特徴削減と統計分析

各テストの元の特徴抽出は、関連する以前の研究に基づいていました4,6,7,8,9,10,11. 172の機能の合計は、個々のテストの客観的な評価のために重要であると同定されました。プロセス測定値には、多くの相関データまたは冗長データが含まれています。それらを削除し、最も独立した関連性を持つ機能を抽出することが重要です。主成分分析（ＰＣＡ）２７は、いくつかの関連因子を無相関変数のグループに変換するために使用されるデータ圧縮、抽出および視覚化ツールである。 PCAは、元の172の機能を27個のPc（9つのテストのそれぞれから3個）に圧縮するために使用されます（図2）。 3). さらに、重要な情報は、個々の検定の単一の変数から来るのではなく、変数間の関係、すなわちそれらがどのように共変するかに由来することが多い。 PCAは、相関の高い、ノイズの多い、冗長な要因の大きな数を管理できるため、このような情報を評価するための一般的に使用される多変量統計法の中で

仮説検定のp値は、5つのドメイン（音声、上肢、下肢、歩行、バランス）のそれぞれに関する各検定の結果として得られる3つのPc（PCs1-2-3）の分布につい各ドメインでは、SARA測定値がゼロより大きい個体は運動失調としてグループ化され、特定のテストで0のSARAスコアを獲得した対照および被験者は正常ノンパラメトリック統計検定（Kolmogorovâ€”Smirnov（KS）とMann-Whitney-Wilcoxon（MWW））は、データ分布に関する仮定を避けるために採用されています。

グラフ理論&中心性測定

テスト/ドメイン依存性の視覚的定量化

グラフ理論は、テストとドメイン間の関係にさらなる洞察テストとドメインをネットワークのノードに割り当て，Ｓｐｅａｒｍａｎのランク相関係数（λ）を表す長さを持つエッジによってノードを結合した。ノードの中心性は、そのノードに隣接するエッジの数と、ノードの重要性の指標として考慮される他のすべてのノードへの近接性を示します。ノードが他の二つのノード間の最短経路上に現れる頻度も重要度の尺度です。最小スパニングツリー（MST）解析28は、不偏であり、任意のパラメータ設定を必要としないため、異なるグループ間のネットワークを比較するための信頼性の高い尺度として使用されている29。 MSTは最近、脳のネットワーク29と糖尿病の重要な遺伝子の同定にのみ適用されています30。 MSTは、すべてのノードを接続してエッジの長さの合計を小さくするサブグラフです。この意味で、MSTはテスト/ドメイン間の依存関係をカプセル化する”バックボーン”ネットワークです。近接性を測定するために、以下のマッピングを使用して、Spearman(θ)のランク相関係数を距離に変換します。sqrt f（\rho）=1-\rho、fまたは、f（\rho）=\sqrt{2（1-\rho）}です。$ $

(2)

このグラフのmstは、テスト/ドメインをネットワークのノードに割り当て、ρで与えられた長さのエッジを介してノードを結合することによって計算

グラフ中心性尺度を使用したテスト/ドメインの重要性の概要

グラフ形式でテストとドメインを表すことで、それらの間の関係の定量化数学的グラフは本質的にノードの有意性測定を特徴付けるので、それらのノードに割り当てられたテスト/ドメインは、CAの測定に非常に関連性があ特徴の重要性スコアは、次数中心性、近さ中心性、Betweenness30などの一般的な中心性尺度を使用してグラフ全体で計算されます。与えられたグラフにおけるノードの発生率または程度の中心性は、数学的に定義されているそのノードに隣接するエッジの数を数えます。

$ ${c}_{D}(N)={\rm{\deg}}(n),$ $

(3)

ここで、g:=(n,E)は|n|Nodesと|e|edgesを持つ与えられたグラフである。接続されたグラフでは、ノードとネットワーク内の他のすべてのノードとの間の最短経路の平均長さは、ノードの正規化された近さ中心性（または近さ）としたがって、近さの値が高いと、ノードが中心または重要であることを意味します。近さは、ノードから他のすべてのノードまでの距離の合計の逆数として定義されます。

$ ${c}_{C}（{N}_{1}）=\frac{1}{{\sum}_{y}d（{N}_{2}、{N}_{2}、{N}_{2}、{n}_{2}、{n}_{2}、{n}_{2}、{n}_{2}、{n}_{2}、{n}_{2}、{n}_{2}、{n}_{2}、{n}_{}_{1})},$$ここで、d(N1,N2)は頂点N1とn2の間の距離です。同様に、ノードの間隔は、最短パス上のグラフ内の他の二つのノードの間にそのノードがどのくらいの頻度で現れるかを計算します。 Betweennessの値が高いと、ノードが関連していることを意味します。 Node sum_{n=1}ne{\infty}\sum_{n=1}p{\infty}\sum_{n=1}p{\infty}\sum_{n=1}p{\infty}\sum_{n=1}p{\infty}\sum_{n=1}p{\infty}\sum_{n=1}p{\infty}\sum_{n=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}\sum_{N=1}p{\infty}}_{2}}},$$

(5)

分類実験

バイナリ分類

スキームの次のステップは、ランダムフォレスト(RF)分類器を使用して、個々のテスト、組み合わせた9つのテスト各特徴は、4つのホルメシアン次元のそれぞれに様々な程度（重み）に寄与し、それは全体の9つの検定と最適な検定のサブセットに対してそれに応じて計算された。

Multilabel classification

私たちの研究では、Multilabel Classification32のためのランダムフォレストベースの採用アルゴリズムが使用されています。

私たちの研究のマルチラベル分類問題の特徴入力は、すべてのテスト（3個x9テスト）から27の主成分で構成されていました。ターゲットは、5つのドメイン（0：正常、1：運動失調）の障害を識別することでした。たとえば、参加者は、音声、上肢、下肢、歩行およびバランスのドメインによって表され、これの可能なラベルpowerset表現は、クラスのマルチクラス分類問題です, , , , , , , , …, ここで、例えば、発話および下肢のドメインが影響を受けているのに対し、上肢、歩行およびバランスのドメインが影響を受けていない参加者を示す。

Rfモデルにおける特徴の重要性（またはランク）

最初に、RF分類器の最適なリーフサイズは、さまざまなリーフサイズ（5、10、20、50、および100）の分類によっ最適なリーフサイズは、最小のMSE値を生成する必要があります。最適な葉のサイズを推定したら、より大きなアンサンブルを成長させ、特徴の重要性を推定するために使用します。ランダムフォレスト診断モデルにおける特徴の重要性を計算するために、最初に、元の変数を持つモデルのMSEが計算されます。次に、1つの列(n個の観測値の特徴1を表す)の値が置換され、MSEが再度計算されます。たとえば、列が機能値x1、x2、x3、x4を取り、値のランダムな順列がx4、x3、x1、x2になる場合、これは新しいMSEになります。 MSEの差は、アンサンブル内のすべてのツリーで平均化され、各変数のツリーで取得された標準偏差で除算されます。この値が大きいほど、変数はより重要になります。差は正であると予想されますが、それが負の数である場合、ランダムな順列は、特徴が予測に役割を持たず、重要ではないと推論する方が優れていたことを意味します。

STAR computation

ランダムフォレストランキングスキームを通じて特定のテストで3つのPCフィーチャの重要度/ランクが評価されると、元のフィーチャの重みは次のように計算されます:ここで、WOF：pcコンポーネント内のこの機能の重み。r：PCコンポーネント内のpc機能のランク。r：Pcコンポーネント内のPc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のpc機能のランク。r：pcコンポーネント内のRFモデル。各フィーチャは4つのホルメシアン次元のいずれかに関連しているため、全体的な安定性、タイミング、精度、リズミシティ次元の寄与は、それぞれすべての安定性、タイミング、精度、リズミシティフィーチャの累積weigtageです。両方の分類問題について、データはLeave-one-out（LOO）CV技術を使用して層別化されます。

Cross validation（CV）

両方の分類問題について、データはLeave-one-out（LOO）CV技術を使用して層別化マルチラベル設定での交差検証は、通常の（バイナリ/マルチクラス）層別サンプリングの方法が適用できないという事実によって複雑になります。33では、近似層別サンプリングの代替方法が提案されています。そこで，我々の研究では，反復法を用いてマルチラベル層別化を行った。

評価メトリック

分類器のパフォーマンスは、メトリック、精度、リコール、F1スコア、精度、およびマシューズ相関係数（MCC）34を使用して評価されます。これらのメトリックは、LOO（34回）の各検証後の予測値に基づいて、各ドメインについて計算されます。一般的な精度、リコール、F1スコア、マルチラベル分類問題の精度は、5つのドメインにおけるLOOによる結果の平均です。たとえば、

general general\_precision=sum(precision\_values\_in\_5\_domains)/5とします。rf

(7)

rfトレインによる機能ランキング&looによる検証は、バイナリ分類問題とマルチラベル分類問題の両方について、各トレーニン

be settled