omfattende objektiv vurdering (COA) system

i denne undersøgelse brugte vi BioKin17, en skybaseret realtids motion capture sensor platform til at udføre en omfattende objektiv vurdering af CA. BioKin17 er en trådløs bærbar enhed med et indlejret tri-aksialt accelerometer (model chipset “MPU-9150” fra InvenSense, Inc., San Jose, CA, USA) og en IEEE802.11b/g/n / trådløs kommunikationsgrænseflade, der kører på en 32-bit ARM-processor. BioKin-sensorsystemet udviklet af Netværkssensor og Kontrollaboratorium, Deakin University, kan interagere med en Android-mobilapplikation for at fange komplekse bevægelser af en menneskelig krop i realtid, som illustreret i Fig. 1. Det er optimeret til at reducere bundfældningseffekter og sensordriftsproblemer ved at eliminere fejl på tværs af aksen på kortniveau mellem hver inertial sensor17. Denne sensor blev bænk markeret mod et konventionelt optisk bevægelsessporingssystem med flere kameraer (Vicon system, T40S, UK), et højpræcisionsbænkmarkeringssystem18. BioKin fangede gyroskopet og accelerationsdataene i de tredimensionelle (3D) kartesiske koordinater med en prøveudtagningshastighed på 50 timer. CA-vurderingen blev udført gennem følgende trin:

1. Bevægelsesindgange genereret af ni instrumenterede tests, der efterligner de ni standard bedside kliniske tests af CA, der dækker de 5 domæner.

2. disse er fanget af sensorer og visualiseret med en understøttende applikation i en smartphone.

3. trådløs transmission til et blockchain-baseret distribueret cloud-netværk19, hvor diagnostiske og vurderingsalgoritmer anvendes.

4. Dataanalyseresultater omdannes til et klinisk relevant format.

en billedlig repræsentation af sensorplatformen er illustreret i Fig. 1.

Motion input

emner blev lavet til at udføre ni standard kliniske tests; gentagen stavelse ytring (SPE), rytmisk finger aflytning (FIN), finger-næse/næse-finger (FNT), dysdiadochokinesia (DDK), ballistisk sporing/finger-chase (BAL), hæl-shin (HST), mund aflytning (FOO), stance/romberg (ROM) og gangart (Val). Opgaverne udføres inline med instruktionerne angivet i SARA, der dækker alle de 5 domæner. For at undgå forstyrrende faktorer som følge af svingning under udførelsen af testene i siddestilling fik deltagerne aksial støtte, dvs.siddende komfortabelt i opretstående siddestilling. Stolens rygstøtte var vinklet 90-100 grader med tilstrækkelig tømmerstøtte på linje med korsryggen. Både højre og venstre lemmer blev vurderet.

dataindsamling

COA-systemet anvendte inertielle måleenheder (IMU ‘ er) udstyret i BioKin-systemet i syv af testene til at fange translationel og roterende kinematik i ortogonale akser via accelerometre og gyroskoper. Et Microsoft Kinect V2-kamera udstyret med en 23 tommer skærm og mini-PC med en Intel core i5-processor blev også brugt i en af testene til den markørbaserede motion capture og for at opnå den absolutte positionsinformation.

skybaserede algoritmer

de registrerede data overføres derefter til det blockchain-baserede distribuerede cloud-netværk19 via den trådløse forbindelse til efterfølgende databehandling, der gør det muligt for læger at erhverve sværhedsgrad. MATLAB (R2019a) og Python-miljøer behandlede de data, der blev transmitteret via trådløse midler.

klinisk output

de indfangede data visualiseres gennem den android-baserede smartphone-applikation, BioKin, der genererer evalueringsrapporter og sværhedsgrad som et resultat af den skybaserede databehandling.

i vores COA-System er de gennemsnitlige tidsmæssige udgifter til at erhverve dataene via motion capture fra hver af de 6 perifere tests (DDK, FNT, FIN, BAL, FOO, HST) mindre end 15 sekunder. Balancetesten(ROM) tager mindre end 30 sekunder; gangtesten (Val) tager mindre end 90 sekunder, mens taletesten (SPE) tager mindre end 5 sekunder at hente data. Derfor er de gennemsnitlige tidsmæssige udgifter til at erhverve data og generere et kumulativt testresultat (ved hjælp af skybaserede algoritmer) for en enkelt patient henholdsvis under 215 sekunder og 5 sekunder. Testsættet tager typisk op til 30 sekunder.

eksperimentelt design

deltagere

for en dybdegående analyse af abnormiteter, der tilskrives timing, stabilitet, nøjagtighed og rytmicitet i motoriske bevægelser, blev tale-og kinematiske data registreret fra 34 fag, hvis modersmål var engelsk. Treogtyve blev tidligere diagnosticeret med en Cerebellar ataksi (CA) på grund af en neurodegenerativ lidelse og deltog i Neurologiklinikken på Royal Victorian Eye and Ear Hospital (RVEEH) eller Alfred Hospital i Melbourne. Elleve normale forsøgspersoner (kontroller) var frivillige uden nogen historie med neurologiske tilstande eller andre taleforstyrrelser. Sammenfatning af kohortestatistikken er angivet i tabel 1. Ingen af deltagerne (kontroller og CA) havde gennemgået noget rehabiliteringsprogram forud for denne kliniske undersøgelse. Ingen af deltagerne (kontroller og CA) havde gennemgået noget rehabiliteringsprogram forud for denne kliniske undersøgelse. En gennemgang af litteraturen20,21,22 afslørede, at begyndelsesalderen, diagnosens alder og andre demografiske faktorer ikke påvirker alder og GMO-relateret til ataksi. Da vores undersøgelse var begrænset til en voksen-debut ataksi kohorte, streng overholdelse af alder og køn matchede kriterier var ikke mulig.

etisk godkendelse og samtykke til at deltage

denne undersøgelse blev godkendt af Human Research and Ethics Committee, Royal Victorian Eye and Ear Hospital, East Melbourne, Australien (Hrec referencenummer: 11/994H/16) og støttet af Florey Institute of Neuroscience and Mental Health, Melbourne, Australien gennem National Health and Medical Research Council (NHMRC) Grant: gnt1101304 og app1129595. Alle metoderne i denne undersøgelse blev udført i overensstemmelse med relevante retningslinjer og regler, og skriftligt samtykke blev opnået fra alle deltagere inden deres tilmelding. Informeret samtykke blev opnået fra begge forsøgspersoner til at offentliggøre billederne afbildet i Fig. 1.

testprotokol og funktionsekstraktion

de objektive vurderinger af de ni neurologiske tests er grupperet i de følgende 5 domæner med en kort beskrivelse af deres eksekveringsprotokol. En oversigt over funktioner, der viste sig at være afgørende i diagnosen CA i den relaterede respektive undersøgelse4,6,7,8,9,10,11 er også medtaget for hvert testunderafsnit i tabel 2.

tale

• gentagen stavelse (SPE): kandidaten var forpligtet til at gentage konsonant-vokal stavelsen/ta/ i 5 sekunder ved deres foretrukne hastighed. Optagelserne blev foretaget ved hjælp af en kondensatormikrofon klippet i en omtrentlig afstand på 10 cm fra motivets mund i et stille rum med lavt omgivende støjniveau. En android-telefon ved hjælp af programmet BioKinMobi under en professionel efterforskers tilsyn fangede talen. En topografisk prominensbaseret automatiseret algoritme blev anvendt til at udtrække seks akustiske træk fra toget med gentagne/ta/ stavelsesudtalelser4,6.

• regelmæssighed af varigheden måler variabiliteten i rytmen af gentagen/ ta / (RT) udtryk. Dette identificeres som et integreret mål for timingunderskud ekstraheret fra bølgedataene med 50% fremtrædende plads.

• Gap regelmæssighed måler tidsforskellen variabilitet mellem to på hinanden følgende/ ta / stavelse toppe.

• gennemsnitlig maksimal prominens målte den gennemsnitlige relative højde/top for en bestemt/ ta / puls, der blev overvejet.

• Kompensationsregularitet målte variabiliteten i forskellene beregnet mellem toppen og dens tilsvarende prominens for en specifik/ta / syllabisk puls.

• Dæmpningsforhold målt gennemsnittet af/ ta / stavelsernes dæmpningsforhold beregnet ud fra bølgedataene ekstraheret med 75% prominens.

• resonansfrekvens målt gennemsnittet af/ ta / stavelsernes resonansfrekvens beregnet på bølgedataene ekstraheret med 50% prominens.

øvre lemmer

• Rhythmic finger tapping test (FIN): deltagerne bankede rytmisk deres pegefinger mod en vandret overflade (f.eks. bordplade) med deres foretrukne hastighed og varighed. En BioKin blev monteret på dorsum af den pegende pegefinger til dataindsamling. De første 3 hovedkomponenter (PC) af multiscale entropi målt fra accelerometersignalernes og Gyroskopsignalernes akser og variationskoefficienten for inter-tap-intervallet, der måler uregelmæssigheden af rytmen, var de valgte funktioner7.

• Finger-næse test (FNT): Deltagerne blev forpligtet til at røre ved næsen med deres spidse pegefinger og derefter ved hjælp af den samme finger række ud og røre ved klinikerens finger placeret cirka 25 cm fra motivets næse. Håndbevægelser blev målt af en BioKin fastgjort til dorsum af hånden på den pegende pegefinger. Resonansfrekvens og amplitude ved resonansfrekvens var de kritiske funktioner8 som fanget af BioKin fastgjort til håndfladen af den pegende pegefinger. Frekvensdomænebeskrivelsen af acceleration og vinkelhastighed blev brugt til at fange resonansen i hver ortogonal akse (H, Y og å)8.

• Dysdiadochokinesia test (DDK): deltagerne blev forpligtet til at placere dorsum af den ene hånd på håndfladen på den anden side, som vist i Fig. 1. Deltagerne blev derefter bedt om at udtale deres hånd, så palmesiden vender nedad for at hvile på håndfladen på den anden side. Emnet instrueres også i at udtale og supinere skiftevis mellem disse to positioner så hurtigt og præcist som muligt. Vekslingshastigheden ekstraheres fra Biokins IMU fastgjort til håndleddet. Denne test undersøgt for manglende evne til at koordinere bevægelse. Hastigheden for ændring af pronat og supinat, resonansfrekvens og amplitude ved resonansfrekvens var de kritiske funktioner8.

• ballistisk sporing (BAL): deltagerne skulle pege på målet på en skærm. Bevægelsen af den pegende pegefinger blev detekteret ved hjælp af Kinect-kameraet og blev præsenteret som en markør på skærmen. Målet er at følge målet nøjagtigt via den projicerede (med Kinect-kameraet) markør på skærmen, når målet bevæger sig hurtigt og tilfældigt fra punkt til punkt på skærmen. Følgende ekstraherede funktioner viste et signifikant niveau af korrelation med handicapniveauet fanget af standard klinisk foranstaltning SARA9:

• fejl: afstanden mellem markør-og målbaner målt ved hjælp af dynamisk Tidsvridningsmetode i den vandrette(H) og lodrette(V) akse.

• omfattende tidsforsinkelse: Dette blev beregnet som krydskorrelationen for to-tidssekvensen, markøren og målet.

• kinematisk forsinkelse: dette blev opnået ved hjælp af indekset for præstationsmåling i Fitts’ lov. Funktionen er at måle motivets ydeevne for at nå en målposition.

• retningsændring i H-og V-akse: dette er antallet af gange deltageren ændrede deres acceleration, som blev målt i form af retningsændring. Denne funktion indeholdt oplysninger om over / undershooting samt motivets ydeevne under testen. Højere niveau af dysmetri udledte en større fejlrate i henhold til forskellen mellem målet og markørbanerne.

nedre lemmer

• Heel-shin test (HST): deltagerne skulle placere en hæl på det modsatte knæ og køre den langs skinnebenet, mellem hælen og knæet gentagne gange og så præcist som muligt. Biokinet var fastgjort til fodens dorsum. Resonansfrekvens og amplitude ved resonansfrekvens var de kritiske funktioner8.

• rytmisk fod tapping (FOO): Deltagerne skulle rytmisk trykke hver fod mod en vandret overflade (f.eks. De første 3 hovedkomponenter (PC) af multiscale entropi målt fra Accelerometersignalernes og gyroskopsignalernes akser og variationskoefficienten for inter-tap interval måling af uregelmæssigheden af rytme var de valgte funktioner7.

Balance

• Romberg test (ROM): deltagerne skulle stå med fødderne sammen og derefter med fødderne fra hinanden, armene ved siderne så længe som muligt (op til 30 sekunder); først med åbne øjne og derefter med lukkede øjne. En BioKin blev placeret omtrent på chiffisternen ved hjælp af et elastisk neoprenbælte. Den anden BioKin blev fastgjort på den øverste bagside, i midtlinjen lige under nakken. Uklar entropiteknik blev anvendt på den posturale svinghastighed udledt af de målte trunkale accelerationer. Entropiværdier23 af den udledte hastighed blev primært betragtet som et mål for neural motorstyring under en stille stående stilling, hvoraf en betydelig del er proportional med kroppens svingningshastighed. Usikkerheden i hastighedsmålingen indeholdt et betydeligt informationsniveau med hensyn til trunkal ustabilitet10.

gang

• gangtest: deltagerne skulle gå i 5 meter og vende tilbage, som blev gentaget 10 gange. Motivets bevægelser blev fanget af de indbyggede inertialsensorer på en smartphone, der var fastgjort ved chiffisternen ved hjælp af et elastisk neoprenbælte og to BioKin-sensorer, der var fastgjort til hver ankel. Sensoren blev placeret således, at dens akser fangede henholdsvis ML (medio-Lateral), AP (Antero-Posterior) og VT (lodret akse) bevægelser. I hver ortogonal akse blev frekvensdomænebeskrivelsen brugt til at fange resonansen11. For hvert emne blev størrelsen og resonansen anvendt i hver akse til dannelse af en funktionsvektor. En anden funktion, uklar entropi-baseret hastighed uregelmæssighed mål for trunkal abnormitet (VI) blev valgt i undersøgelsen11 for at måle gang tilfældighed eller usikkerhedsniveau under gang. Undersøgelsen in23 introducerede uklar entropi (uklar) for at fange trunkal ataksi.

Med henvisning til den ataksiske kohorte, der er tilmeldt vores undersøgelse, for dem med en SARA – score 7 til at gå-i tilfælde af en ganghjælp er påkrævet, patienten anmodes om at udføre testen ved hjælp af det passende ganghjælpemiddel (dvs.en enkeltpunktspind eller firehjulet ramme (4VF)).

ataksiske dimensioner (stjerne)

værkerne af Gordon Holmes citeres ofte for at have en grundlæggende indflydelse på vores forståelse af de kliniske symptomer og tegn på cerebellare læsioner2,3,24. I vores undersøgelse gennemgik vi Holmes ‘ tilgang til at karakterisere bevægelsen af fag med cerebellar dysfunktion med hensyn til fire dimensioner (stabilitet, Timing, nøjagtighed & rytmicitet).

• stabilitet (er): dette vedrører stabilitet i platformen (af udførelse). Platformen er led og muskler, der er relativt faste og tillader den bevægelige kropsdel at udføre en opgave nøjagtigt. For eksempel kræver DDK-opgaven relativ stabilitet af skulder-og albuebøjning og forlængelse for effektiv udførelse. Relativ ustabilitet resulterer i en stigning i unødvendige bevægelser i sekundære akser.

• Timing (T): når CA er til stede, viser det sig, at opgaver, der har en tidsbegrænsning, såsom BAL, normalt har øget latenstid, før bevægelsen begynder, og opgaven udføres med en langsommere hastighed, fordi der tages et mindre direkte kursus. De samme funktioner er ofte tydelige, selv i mangel af tidsbegrænsninger. Disse funktioner er mere tydelige, når CA er mere alvorlig, hvilket antyder det, ubevidst, timing er en neutral afvejning for at fuldføre opgaven. I beregningsmæssige termer anerkendte vi det som fejlen mellem målet mod det, der opnås, sandsynligvis påvirket af følgende to:

• tid for emnet at indlede et øjeblik.

• tid til at fuldføre en bevægelse (hastighed).

  • nøjagtighed (a): konceptuelt kan en opgave udføres langsomt, men følg det mest effektive mål. Under disse omstændigheder vil vi betragte dette som en” nøjagtig ” præstation. Når en mindre direkte sti følges (for eksempel i BAL-opgaven), eller der er under eller over shoot, vil opgaven være ‘fejl’ sammenlignet med en kontrolydelse (anerkender, at dette også kan være forbundet med timingfejl). I beregningsmæssige termer anerkender vi det i denne undersøgelse som fejl mellem mål/Rummål mod hvad der opnås i en rumlig sammenhæng (statisk).

  • Rhythmicity (R): uregelmæssighed i gentagne bevægelser.

funktionerne for hver test i vores foreslåede COA-System tildeles de førnævnte dimensioner gennem følgende 2-trins tilgang:

1. (a) udførelsesaksen er retningen for den primære bevægelse, der kræves for at udføre den tilsigtede opgave og vil tilskrive rytmicitet eller timingdimension.

   (b) enhver afvigelse fra den mest effektive eller den standardsti, der kræves for at udføre opgaven, betragtes som nøjagtighedsfunktioner.

2. overdrevne bevægelser i de andre akser vil blive betragtet som sekundære bevægelser og tilskrive stabilitetsdimensionen.

en billedlig repræsentation i Fig. 2 illustrerer STJERNETOLKNINGEN for hvert domæne i henhold til den foreslåede 2-trins tilgang.

STJERNEMÆRKNINGSKRITERIER.

i gentagne tests (DDK, FNT, FIN, FOO, HST) bidrager resonansfrekvensen langs y-aksen (primær) til hastighed og betragtes derfor som en timingfunktion, mens størrelsen af resonans betragtes som en rytmisk funktion. De sekundære bevægelser / forstyrrelser, der findes i andre akser, betegnes som stabilitetsfunktioner.

for målbaserede tests (BAL) betragtes enhver forsinkelse i den primære bevægelse med at jagte målet som en timingfunktion; hvor godt et mål er opfyldt, eller en hvilken som helst grad af afvigelse i opfyldelsen af målet definerer deltagerens ydeevne og måler dermed nøjagtighed; enhver anden funktion, der tager højde for overdrevne/ineffektive bevægelser, er markeret under stabilitet.

gangtesten består i at gå fremad i en lige linje (langs AP-aksen) i et regelmæssigt tempo ved at løfte og sætte hver fod ned på en rytmisk måde. Dette ville udlede rytmicitetsinformation, mens omfanget af trunkal svingning fra AP-akse (dvs.bevægelse i ML-akse) vil udlede nøjagtighedsoplysninger. Desuden betragtes enhver uønsket svingning i VT-aksen som stabilitetsfunktion.

til balancetest forventes en deltager at opretholde en stabil lige stilling langs deres VT-akse. Dette er deres primære bevægelse, enhver afvigelse eller svaje i VT-aksen vil tage højde for unøjagtighed, og enhver anden uønsket Trunk svaje i enten AP eller ML betragtes som stabilitetsfunktioner.

til taletest betragtes funktionerne, der måler den rytmiske karakter af de gentagne /ta/ udtryk, for eksempel mellemrum mellem på hinanden følgende /ta/ udtryk, varighed af a /ta/ Som rytmicitetsfunktioner og resonansfrekvensfunktionen som en timingfunktion. Lavere dæmpningsforhold indikerer en højere svingning. Derfor indikerer det lavere dæmpningsforhold for a /ta/ ytring som en ataksisk akustisk funktion ustabilitet i vokalkanalen under stemmeartikulering.

en oversigt over de ni tests i 5 domæner, der genererer 172 funktioner, præsenteres med deres STJERNETOLKNING i tabel 2.

klinisk vurdering

CA blev scoret af en erfaren kliniker i henhold til SARA-skalaen, mens forsøgspersoner med ataksi udførte hver opgave. SARA er en klinisk skala udviklet af Schmitt-H.25,26, som vurderer en række forskellige svækkelser i cerebellar ataksi, lige fra Tale til balance. Skalaen består af 8 kategorier med scoringer, der spænder som, gang (0-8 point), holdning (0-6 point), siddende (0-4 point), taleforstyrrelse (0-6 point), fingerjagt (0-4 point), næse-finger test (0-4 point), Hurtig skiftevis håndbevægelse (0-4 point), hæl-skinneglas (0-4 point). Når klinikeren vurderer hver af de 8 kategorier for et individ, kan de yderligere beregne den kumulative score, der spænder fra 0 (ingen ataksi) til 40 (mest alvorlige ataksi) for at bestemme det ataksiske subjekts sværhedsgrad af ataksi. I vores undersøgelse vurderede en kliniker alle opgaverne for at undgå enhver subjektiv bias.

3-trins evalueringsskema for COA-systemet

de teknikker, der skal inkorporeres i det foreslåede instrumenterede system (COA-system), demonstreres gennem et rutediagram (Fig. 3) og beskrevet i de følgende underafsnit.

3-tier evaluering proces rutediagram af COA-systemet.

Funktionsreduktion og statistisk analyse

Original funktionsekstraktion for hver test var baseret på relevante tidligere undersøgelser4,6,7,8,9,10,11. I alt 172 funktioner blev identificeret som kritiske for objektiv vurdering af individuelle tests. Procesmålinger indeholder mange korrelerede eller overflødige data. Det er vigtigt at fjerne dem og udtrække de funktioner, der har den mest uafhængige relevans. Principal Component Analysis (PCA)27 er et datakomprimerings -, ekstraktions-og visualiseringsværktøj, der bruges til at omdanne flere tilknyttede faktorer til en gruppe ukorrelerede variabler. PCA bruges til at komprimere de originale 172 funktioner til 27 stk (3 stk fra hver af de 9 tests) (Fig. 3). Desuden kommer kritisk information ikke fra en enkelt variabel i en individuel test, men stammer ofte fra forholdet mellem variabler, dvs.hvordan de varierer sammen. PCA er den mest hensigtsmæssige blandt de almindeligt anvendte multivariate statistiske metoder til evaluering af sådanne oplysninger, fordi den kan styre et stort antal stærkt korrelerede, støjende og overflødige faktorer.

p-værdien for hypotesetestning beregnes for fordelingen af de resulterende 3 stk (stk 1-2-3) af hver test med hensyn til hvert af de 5 domæner (tale, overben, underben, gang, balance) for at bestemme, om grupperne af emner (kontrol og ataksisk) adskiller sig markant. I hvert domæne, individer med SARA måler større end nul, grupperes som ataksiske, og kontroller og emner, der scorede en SARA-score på 0 for en bestemt test, grupperes som normalt. Ikke-parametriske statistiske tests (Kolmogorov Kris”Smirnov (KS) og Mann-Hvidney-Vilkson (MVV)) vedtages for at undgå antagelser om datadistribution.

Grafteori & centralitetsmålinger

visuel kvantificering af test/domæneafhængigheder

Grafteori anvendes til at opnå yderligere indsigt i forholdet mellem test og domæner. Test og domæner blev tildelt knudepunkterne i et netværk, som sluttede knudepunkterne sammen med kanter med længder, der repræsenterer Spearmans rangkorrelationskoefficienter (kurr). Centraliteten af en knude angiver antallet af kanter, der støder op til den knude, og nærheden til alle andre noder, der betragtes som en indikation af knudepunktets betydning. Frekvensen, som en knude vises på den korteste vej mellem to andre noder, er også et mål for Betydning. Minimum Spanning Tree (MST) analyse28 bruges i vores undersøgelse som et pålideligt mål for sammenligning af netværk på tværs af forskellige grupper, da det er upartisk og ikke kræver vilkårlige parameterindstillinger29. MST er først for nylig blevet anvendt på hjernenetværk29 og identifikation af kritiske gener i diabetes mellitus30. MST er en undergraf, der forbinder alle noder for at reducere den samlede kantlængde. I denne forstand er MST “backbone”-netværket, der indkapsler inter-test/domæneafhængigheder. For at måle nærhed bruger vi følgende kortlægning til at oversætte Rangkorrelationskoefficienterne for Spearman (kurr) til afstande.

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

(1)

$$or,f(\rho )=\kvm{2(1-\rho )}.$ $

(2)

MST i denne graf beregnes ved at tildele testene / domænerne til knudepunkterne i et netværk og slutte sig til knudepunkterne via kanter med længder, der er givet af kur.

oversigt over test/domænebetydning ved hjælp af grafcentralitetsmål

repræsentation af test og domæner i en grafform muliggør kvantificering af forholdet mellem dem. Da matematiske grafer iboende karakteriserer nodebetydningsmålinger, betragtes de test / domæner, der er tildelt disse noder, som meget relevante til måling af CA. Feature betydning score beregnes derefter på hele grafen ved hjælp af populære centralitet foranstaltninger som grad centralitet, nærhed centralitet og Mellem30. Forekomsten eller graden centralitet af en knude i en given graf tæller antallet af kanter, der støder op til den knude, som matematisk er defineret som,

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

(3)

hvor, g := (N, e) er den givne graf med |N| noder og |e| kanter. I en tilsluttet graf betegnes gennemsnitslængden af den korteste vej mellem noden og alle andre noder i netværket som den normaliserede Nærhedscentralitet (eller nærhed) af en node. Derfor indebærer en høj værdi af nærhed, at noden er central eller signifikant. Nærhed er defineret som den gensidige af summen af afstandene fra noden til alle andre noder, det vil sige

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

(4)

hvor d(N1, N2) er afstanden mellem knudepunkter N1 og N2. Ligeledes beregner en nodes Mellemhed, hvor ofte denne knude vises mellem to andre noder i grafen på den korteste sti. En høj værdi af Mellemlighed betyder, at noden er relevant. Mellemrummet af en node n betegnes som

$${C}_{B}(N\rangle =\sum _{{N}_{1}\ne N\ne {N}_{2}\i N}\,\frac{{\sigma }_{{N}_{{N}_{1} {N} _ {2}} (N\rangle }{{\sigma }_{{n}_{1}{N}}_{2}}},$$

(5)

Klassificeringseksperiment

binær klassificering

næste trin i ordningen består af en diagnose eller et binært klassificeringsproblem, der sammenligner diskriminationsydelsen for hver af de individuelle tests, den kombinerede 9-test og to reducerede undergrupper ved hjælp af en tilfældig Skov (RF) klassificering31. Hver funktion bidrog til hver enkelt af de 4 Holmeshian-dimensioner i varierende grad (vægtene), som blev beregnet i overensstemmelse hermed for den samlede 9-test såvel som for den optimale delmængde af test.

Multilabel klassificering

i vores undersøgelse anvendes en tilfældig skovbaseret vedtaget algoritme til Multilabel Klassificering32.

funktionsindgangen i multilabel-klassificeringsproblemet i vores undersøgelse bestod af 27 hovedkomponenter fra alle test (3 stk.9 test). Målet var at identificere handicap i 5 domæner (0: normal; 1: ataksisk). For eksempel er en deltager repræsenteret af domænerne for tale, overben, underben, gang og balance; og den mulige etiketstrømsrepræsentation af dette er et klassificeringsproblem i flere klasser med klasserne , , , , , , , , …, hvor, for eksempel, betegner en deltager, hvis domæner af tale og underben påvirkes, mens domænerne øvre lemmer, gang og balance er upåvirket.

funktions betydning (eller rang) i RF-model

helt fra starten verificeres den optimale bladstørrelse i en RF-klassifikator ved at sammenligne gennemsnitlige kvadratiske fejl (MSE) opnået ved klassificering for forskellige bladstørrelser (5, 10, 20, 50 og 100). Den optimale bladstørrelse skal give de laveste MSE-værdier. Når vi har estimeret den optimale bladstørrelse, dyrkes et større ensemble og bruges til at estimere funktionens betydning. For at beregne funktionsvigtigheden i den tilfældige skovdiagnostiske model beregnes oprindeligt MSE for modellen med de originale variabler. Derefter permuteres værdierne for en enkelt kolonne (repræsenterer funktion 1 For n observationer), og MSE beregnes igen. For eksempel, hvis en kolonne tager funktionsværdierne 1, 2, 3, 4 og en tilfældig permutation af værdierne resulterer i 4, 3, 1, 2; så vil dette resultere i en ny MSE. Forskellen i MSE er i gennemsnit over alle træer i ensemblet og divideret med standardafvigelsen overtaget træerne for hver variabel. Jo større denne værdi er, desto større er variablen. Forskellen forventes at være positiv, men hvis det er et negativt tal, betyder det, at den tilfældige permutation fungerede bedre og udledte, at funktionen ikke har en rolle i forudsigelsen og ikke anses for vigtig.

STJERNEBEREGNING

Når vigtigheden / rangeringen af de 3 PC-funktioner er evalueret til en specifik test gennem Random Forest ranking-ordningen, beregnes vægten af den oprindelige funktion som følger:

$$feature\_vægte=to\_InPC{1}^{\ast }R\_PC1+to\_InPC{2}^{\ast }R\_PC2+to\_inpc{3}^{\ast }R\_PC3,$$

(6)

hvor to: vægten af denne funktion i en PC-komponent; r: rang af pc-funktionen i RF-modellen. Da hver funktion vedrører en af de 4 Holmeshian dimensioner, bidraget fra den samlede stabilitet, Timing, nøjagtighed og rytmicitet dimension er den akkumulerede vægtning af alle stabilitet, Timing, nøjagtighed og rytmicitet funktioner hhv.

krydsvalidering (CV)

for begge klassificeringsproblemer stratificeres dataene ved hjælp af en Leave-one-out (LOO) CV-teknik. Krydsvalidering i multilabel-indstillinger kompliceres af det faktum, at den almindelige (binære/multiklasse) måde til stratificeret prøveudtagning ikke er anvendelig; alternative måder til omtrentlig stratificeret prøveudtagning er blevet foreslået in33. Så i vores undersøgelse blev multi-label stratifikationen udført ved hjælp af en iterativ teknik.

evalueringsmålinger

klassificeringens ydeevne evalueres ved hjælp af målinger, præcision, tilbagekaldelse, F1-score, nøjagtighed og korrelationskoefficient (MCC)34. Disse metrics beregnes for hvert domæne baseret på de forudsagte værdier efter hver validering i LOO (34 gange). Generel præcision, tilbagekaldelse, F1 score, nøjagtighed af multilabel klassificering problem er gennemsnittet af resultaterne gennem LOO i 5 domæner. For eksempel

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

(7)

Funktionsrangering gennem et RF-tog & Validering med LOO er gennemsnittet af al rang i hver Trænings-og valideringsfase for både de binære og multilabel klassificeringsproblemer.