sistema de avaliação objetiva abrangente (COA)

neste estudo, usamos BioKin17, uma plataforma de sensor de captura de movimento em tempo real baseada na nuvem para realizar uma avaliação objetiva abrangente da CA. BioKin17 é um dispositivo wearable sem fio com um acelerômetro tri-axial incorporado (modelo chipset “MPU-9150” da InvenSense, Inc., San Jose, CA, USA) e um IEEE802.11b/g/n / wireless communication interface running on a 32-bit ARM processor. O sistema de sensores BioKin desenvolvido pela rede Sensing and Control Lab, Universidade Deakin, pode interagir com uma aplicação móvel Android para capturar movimentos complexos de um corpo humano em tempo real, como ilustrado na Fig. 1. É otimizado para reduzir os efeitos de decantação e problemas de deriva do sensor, eliminando erros de alinhamento entre os eixos de bordo entre cada sensor inercial 17. Este sensor foi marcado contra um sistema convencional de monitoramento de movimento óptico baseado em múltiplas câmeras (Vicon system, T40S, Oxford, Reino Unido), um sistema de marcação de alta precisão. BioKin captou os dados do giroscópio e da Aceleração nas coordenadas cartesianas tridimensionais (3D) a uma taxa de amostragem de 50 Hz. A avaliação da AC foi realizada através dos seguintes passos:

1. entradas de movimento geradas por nove testes instrumentados que imitam os nove testes clínicos padrão da AC cobrindo os 5 domínios.

2. estes são captados por sensores e visualizados com uma aplicação de suporte em um smartphone.

3. transmissão sem fios para uma rede de nuvem distribuída baseada em blockchain19, onde são aplicados algoritmos de diagnóstico e avaliação.os resultados da análise de dados são transformados num formato clinicamente relevante.uma representação pictórica da plataforma do sensor é ilustrada na Fig. 1.

   introdução do movimento

   indivíduos foram feitos para realizar nove testes clínicos padrão.; a sílaba repetida (SPE), o toque rítmico do dedo (FIN), o dedo-nariz/nariz-dedo (FNT), a disdiadochokinesia (DDK), o acompanhamento balístico/a perseguição do dedo (BAL), o calcanhar-canela (HST), o bater do pé (FOO), a postura/romberg (ROM) e a marcha (WAL). As tarefas são realizadas em linha com as instruções especificadas em SARA que cobrem todos os 5 domínios. Para evitar quaisquer factores de confusão devidos à oscilação durante a realização dos ensaios na posição sentada, os participantes receberam apoio axial, ou seja, sentados confortavelmente numa posição sentada e direita. O suporte do encosto da cadeira foi inclinado para 90-100 graus com suporte adequado de madeira em linha com o encosto inferior. Os membros esquerdo e direito foram avaliados.

   aquisição de dados

   o sistema COA utilizou unidades de medição inercial (IMUs) equipadas no sistema BioKin em sete dos testes para capturar cinemática translacional e rotacional em eixos ortogonais através de acelerómetros e giroscópios. Uma câmera Microsoft Kinect v2 equipada com um monitor de 23 polegadas, e mini PC com um processador Intel core i5 também foi usado em um dos testes para a captura de movimento baseado em Marcadores e para obter a informação de posição absoluta.

   algoritmos baseados em nuvem

   os dados gravados são então transferidos para a rede de nuvem distribuída baseada em blockchain19 através da conexão sem fio para posterior processamento de dados, permitindo que os médicos adquiram pontuações de gravidade. Os ambientes MATLAB (R2019a, MathWorks) e Python processaram os dados transmitidos através de meios sem fio.

   saída Clínica

   os dados capturados são visualizados através da aplicação de telefones inteligentes android, BioKin que gera relatórios de Avaliação e pontuações de gravidade como resultado do processamento de dados baseado na nuvem.

   no nosso sistema COA, a despesa temporal média na aquisição dos dados através da captura de movimento de cada um dos 6 testes periféricos (DDK, FNT, FIN, BAL, FOO, HST) é inferior a 15 segundos. O teste de equilíbrio (ROM) leva menos de 30 segundos; o teste de marcha(WAL) leva menos de 90 segundos, enquanto o teste de fala (SPE) leva menos de 5 segundos para adquirir dados. Assim, a despesa temporal média para adquirir dados e gerar um resultado de teste cumulativo (usando algoritmos baseados em nuvem) para um único paciente é aproximadamente inferior a 215 segundos e 5 segundos, respectivamente. O conjunto de testes normalmente leva até 30 segundos.

   design Experimental

   participantes

   para uma análise aprofundada de anomalias atribuídas ao timing, estabilidade, precisão e ritmicidade nos movimentos motores, a fala e os dados cinemáticos foram gravados a partir de 34 indivíduos cuja língua nativa era o inglês. Vinte e três foram diagnosticados anteriormente com uma Ataxia cerebelar (CA) devido a um transtorno neurodegenerativo e freqüentaram a Clínica de Neurologia no Royal Victorian Eye and Ear Hospital (RVEEH) ou Alfred Hospital em Melbourne. Onze indivíduos normais (controlos) eram voluntários sem qualquer história de problemas neurológicos ou outros distúrbios da fala. O quadro 1 apresenta um resumo das estatísticas da coorte. Nenhum dos participantes (controles e CA) tinha sido submetido a qualquer programa de reabilitação antes desta investigação clínica. Nenhum dos participantes (controles e CA) tinha sido submetido a qualquer programa de reabilitação antes desta investigação clínica. Uma revisão da literatura20,21, 22 revelou que a idade de início, idade de diagnóstico e outros fatores demográficos não influenciam a idade e gmoender-relacionados com ataxia. Como o nosso estudo foi confinado a uma coorte de ataxia de início adulto, a adesão estrita aos critérios de idade e sexo correspondido não era viável.

   Ética aprovação e consentimento para participar

   Este estudo foi aprovado pela Pesquisa com Humanos e a Comissão de Ética, o Royal Victorian Eye and Ear Hospital, Leste de Melbourne, Austrália (HREC Número de Referência: 11/994H/16) e apoiada por Florey Instituto de Neurociência e Saúde Mental, em Melbourne, Austrália, através do National Health and Medical Research Council (NHMRC) Bolsa: GNT1101304 e APP1129595. Todos os métodos deste estudo foram realizados de acordo com as diretrizes e regulamentos relevantes e foi obtido o consentimento por escrito de todos os participantes antes de sua inscrição. Foi obtido consentimento informado de ambos os sujeitos para publicar as imagens retratadas na Figo. 1.as avaliações objetivas dos nove testes neurológicos estão agrupadas nos 5 domínios seguintes, com uma breve descrição do seu protocolo de execução. Um resumo das características que se revelaram fundamentais no diagnóstico de CA no respectivo estudo 4,6,7,8,9,10,11 foi também incluída para cada subsecção do ensaio no quadro 2.

   Fala

   • Repetidas sílaba do enunciado (SPE): O candidato foi necessário repetir a consoante-vogal em sílaba/ta/ de 5 segundos a sua velocidade preferida. As gravações foram feitas usando um microfone de condensador cortado a uma distância aproximada de 10 cm da boca do sujeito em uma sala tranquila com baixo nível de ruído ambiente. Um telefone android usando o programa BioKinMobi sob a supervisão de um investigador profissional capturou o discurso. Um algoritmo automatizado baseado na proeminência topográfica foi empregado para extrair seis características acústicas do trem de utterances repetidos/ta/ sílabas4,6.

   • regularidade da duração mede a variabilidade no ritmo de expressão repetida/ ta / (RT). Isto é identificado como uma medida integral dos déficits de tempo extraídos dos dados da onda a 50% de proeminência.

   • gap regularity measures the time difference variability between two consecutive/ ta / syllable peaks.

   • pico de proeminência média medido a elevação/pico média relativa para um determinado/ ta / impulso considerado.

   • a regularidade da compensação mediu a variabilidade das diferenças calculadas entre o pico e a respectiva proeminência para um impulso específico/ta/silábico.

   • rácio de amortecimento medido a média das razões de amortecimento de /ta/ Sílabas calculada a partir dos dados de onda extraídos com 75% de proeminência.

   • frequência de ressonância medida a média da frequência de ressonância da /ta / Sílabas calculada com base nos dados de onda extraídos a 50% de proeminência.

   membro superior

   • Teste de toque rítmico do dedo (FIN): os participantes bateram ritmicamente o dedo indicador contra uma superfície horizontal (p.ex. table top) à sua velocidade e duração preferidas. Uma Bioquina foi montada no dorso do indicador apontado para a aquisição de dados. Os primeiros 3 principais componentes (PC) da entropia multiscale medida a partir dos eixos X e Z dos sinais acelerômicos e do eixo X dos sinais giroscópicos e o coeficiente de variação do intervalo inter-tap que mede a irregularidade do ritmo foram as façanhas selecionadas7.teste nasal (FNT): Os participantes foram obrigados a tocar seu nariz com o dedo indicador pontiagudo e, em seguida, usando o mesmo dedo, estender a mão e tocar o dedo do clínico colocado a aproximadamente 25 cm do nariz do sujeito. Os movimentos das mãos foram medidos por uma Bioquina ligada ao dorsum da mão do dedo indicador. A frequência de ressonância e amplitude na frequência de ressonância foram as façanhas críticas 8 capturadas pela Bioquina ligada à palma do dedo indicador. A descrição do domínio de frequência da aceleração e velocidade angular foi usada para capturar a ressonância em cada eixo ortogonal (X, Y e Z)8.

   Dysdiadochokinesia test (DDK): os participantes foram obrigados a colocar o dorsum de uma mão na palma da outra mão, como representado na Fig. 1. Os participantes foram, então, instruídos a pronunciar a sua mão, de modo que o lado da Palma fica virado para baixo para descansar na palma da outra mão. O sujeito também é instruído a Pronar e supinar alternadamente entre estas duas posições o mais rápido e preciso possível. A taxa de alternância é extraída do IMU de BioKin ligado ao pulso. Este ensaio examinou a incapacidade de coordenar o movimento. A taxa de alteração do pronado e do supinato, frequência de ressonância e amplitude na frequência de ressonância foram as façanhas críticas 8.

   balística tracking (BAL): os participantes eram obrigados a apontar para o alvo em um monitor. O movimento do dedo indicador foi detectado usando a câmera Kinect e foi apresentado como um marcador na tela. O objetivo é seguir com precisão o alvo através do marcador projetado (com a câmera Kinect) na tela quando o alvo está se movendo rápida e aleatoriamente de ponto a ponto no monitor. A seguir, extraído de recursos apresentado um significativo nível de correlação com o nível de deficiência capturado pelo padrão de medida clínica SARA9:

   • Erro: A distância entre o marcador e o destino trajetórias, medido usando o Dynamic Time Warping método na Horizontal(H) e Vertical(V) eixo.atraso temporal completo: Isto foi calculado como a correlação cruzada para a sequência de dois tempos, marcador e alvo.atraso cinemático: isto foi obtido usando o índice de medição de desempenho na lei Fitts. A característica é medir o desempenho do sujeito em alcançar uma posição alvo.

   • Alteração direccional nos eixos H E V: Este é o número de vezes que o participante alterou a sua aceleração, que foi medida em termos de alteração direccional. Esta característica continha informações sobre o excesso/sub-arranque, bem como o desempenho do sujeito durante o ensaio. Um nível mais elevado de dismetria inferiu uma maior taxa de erro, conforme a diferença entre a trajetória alvo e a trajetória marcadora.

   membro inferior

   • Heel-shin test (HST): os participantes foram obrigados a colocar um calcanhar no joelho oposto e executá-lo ao longo da tíbia, entre o calcanhar e o joelho de forma repetitiva e tão precisa quanto possível. A Bioquina estava ligada ao dorsum do pé. A frequência de ressonância e amplitude na frequência de ressonância foram as características críticas 8.batimentos rítmicos nos pés (FOO): Os participantes eram obrigados a bater ritmicamente cada pé contra uma superfície horizontal (por exemplo, chão). Os primeiros 3 principais componentes (PC) da entropia multiscale medida a partir dos eixos X e Z dos sinais acelerômetro e eixo X dos sinais giroscópicos, e o coeficiente de variação do intervalo inter-tap medindo a irregularidade do ritmo foram as façanhas selecionadas7.

   Balance

   • Romberg test (ROM): os participantes eram obrigados a ficar de pé juntos, em seguida, com os pés separados, braços pelos lados durante o máximo de tempo possível (até 30 segundos); primeiro com os olhos abertos e depois com os olhos fechados. Uma Bioquina foi posicionada aproximadamente no xiphisternum por meio de um cinto elástico de neopreno. A segunda Bioquina foi ligada na parte superior das costas, na linha média logo abaixo do pescoço. A técnica de entropia difusa foi utilizada na velocidade de oscilação postural deduzida das acelerações truncais medidas. Os valores da entropia23 da velocidade deduzida foram considerados principalmente como uma medida do controle do motor neural durante uma postura calma, da qual uma porção significativa é proporcional à velocidade de oscilação do corpo. A incerteza na medição da velocidade continha um nível significativo de informação em relação à estabilidade truncal10.

   marcha

   • marcha test (WAL): os participantes foram obrigados a andar por 5 metros e retornar que foi repetido 10 vezes. Os movimentos do sujeito foram capturados pelos sensores inerciais incorporados de um smartphone ligado ao xiphisternum por meio de um cinto elástico de neoprene e dois sensores BioKin, ligados a cada tornozelo. O sensor foi posicionado de modo a que os seus eixos X, Y e Z captassem os movimentos ML (Medio-Lateral), AP (Antero-Posterior) e VT (eixo Vertical), respectivamente. Em cada eixo ortogonal (X, Y E Z), a descrição do domínio de frequência foi usada para capturar a ressonância11. Para cada sujeito, a magnitude e a ressonância foram usadas em cada eixo para formar um vetor de recursos. Outra característica, a irregularidade da velocidade baseada na entropia difusa medida para anormalidade truncal (VI) foi escolhida na study11 para medir a aleatoriedade da marcha ou o nível de incerteza durante a caminhada. O estudo in23 introduziu a Entropia difusa (FuzzyEn) para capturar ataxia truncal.

   Em referência ao atáxia coorte inscrito no nosso estudo, para aqueles com SARA pontuação 7 para o pé – na ocorrência de marcha do auxílio é necessário, o paciente é solicitado a realizar o teste com o uso adequado da marcha de ajuda (por exemplo, um único ponto de pau ou de Quatro rodas quadro (4WF)).as obras de Gordon Holmes são frequentemente citadas como tendo uma influência fundamental na nossa compreensão dos sintomas clínicos e sinais de lesionas cerebelares2,3,24. Em nosso estudo, revisitamos a abordagem de Holmes de caracterizar o movimento do sujeito com disfunção cerebelar em termos de quatro dimensões (estabilidade, Tempo, precisão & ritmicidade).

   • estabilidade (s): Isto refere-se à estabilidade na plataforma (de execução). A plataforma são as articulações e músculos que são relativamente fixos e permitem que a parte do corpo em movimento para executar uma tarefa com precisão. Por exemplo, a tarefa DDK requer relativa estabilidade da flexão do ombro e cotovelo e extensão para uma execução eficiente. A instabilidade relativa resulta num aumento dos movimentos desnecessários nos eixos secundários.

   • Timing (T): quando CA está presente, tarefas que têm uma restrição de tempo, como BAL geralmente são encontradas para ter maior latência antes do movimento começar e a tarefa é executada a uma velocidade mais lenta, porque um curso menos direto é tomado. As mesmas características são frequentemente aparentes mesmo na ausência de restrições de tempo. Estas características são mais aparentes quando o CA é mais grave, sugerindo que, subconscientemente, o timing é um comércio neutro para completar a tarefa. Em termos computacionais, nós O reconhecemos como o erro entre o objetivo contra o que é alcançado, provavelmente a ser impactado pelos seguintes dois:

   • tempo para o sujeito iniciar um momento.

   • tempo para completar um movimento (velocidade).precisão (a): conceptualmente, uma tarefa pode ser concluída lentamente, mas seguir o alvo mais eficiente. Nestas circunstâncias, consideraremos que este é um desempenho” preciso”. Quando um caminho menos direto é seguido (por exemplo, na tarefa BAL) ou há por baixo ou por cima, então a tarefa será “erros” em comparação com um desempenho de controle (reconhecendo que isso também pode estar associado a erros de tempo). Em termos computacionais, neste estudo nós O reconhecemos como um erro entre os objetivos do objetivo / espaço contra o que é alcançado em um contexto espacial (estático).

   • Rítmicidade (R): irregularidade nos movimentos repetidos.

   As características para cada teste no nosso sistema COA proposto são atribuídas às dimensões acima mencionadas através da seguinte abordagem de 2 passos:

   1. (a) o eixo de execução é a direcção do movimento primário necessário para executar a tarefa pretendida e atribuiria à dimensão de ritmicidade ou timing.

      (b) qualquer desvio do caminho mais eficiente ou padrão necessário para executar a tarefa seria considerado como características de precisão.

   2. movimentos excessivos nos outros eixos seriam considerados movimentos secundários e atribuiriam à dimensão da estabilidade.

   uma representação pictórica na Fig. 2 ilustra a interpretação estelar para cada domínio, de acordo com a abordagem proposta de 2 etapas.

   

   STAR Critérios de Rotulagem.

   Em testes repetitivos (DDK, FNT, FIN, FOO, HST), a freqüência de ressonância ao longo do eixo y (primário) contribui para a velocidade e, portanto, é considerado como um calendário de recurso considerando que a magnitude de ressonância é considerado como um rítmica recurso. Os movimentos secundários / perturbações presentes em outros eixos são denominados como características de estabilidade.

   para ensaios baseados no alvo( BAL), qualquer atraso no movimento primário de perseguir o alvo é considerado como uma característica de tempo; a forma como um target é cumprido ou qualquer grau de desvio no cumprimento do target define o desempenho do participante e, por conseguinte, mede a exactidão; qualquer outra característica que atenda a movimentos excessivos/ineficientes é marcada pela estabilidade.

   o teste de marcha consiste em caminhar para a frente em uma linha reta (ao longo do eixo AP) a um ritmo regular, levantando e pousando cada pé de forma rítmica. Isto inferiria a informação de ritmicidade enquanto a extensão da oscilação truncal do eixo AP (ou seja, o movimento no eixo ML) inferirá a informação de precisão. Além disso, qualquer oscilação indesejada no eixo VT é considerada como característica de estabilidade.

   para o teste de equilíbrio, espera-se que um participante mantenha uma postura reta constante ao longo do seu eixo VT. Sendo este o seu movimento primário, qualquer desvio ou oscilação no eixo VT irá explicar a imprecisão e qualquer outra oscilação truncal indesejada em AP ou ML são considerados como características de estabilidade.

   para o teste de fala, as características que medem a natureza rítmica das repetidas /ta/ utterances, por exemplo, o intervalo entre consecutivas /ta/ utterâncias, a duração de a /ta/ são consideradas como características de ritmicidade e a característica de frequência ressonante como uma característica de tempo. Menor taxa de amortecimento indica maior oscilação. Assim, a menor taxa de amortecimento de a /ta/ utterância, como uma característica acústica atáxica, indica instabilidade do trato vocal durante a articulação da voz.

   um resumo dos nove testes em 5 domínios, gerando 172 características é apresentado com sua interpretação estelar na Tabela 2.

   a avaliação clínica

   CA foi avaliada por um clínico experiente de acordo com a escala SARA, enquanto indivíduos com ataxia realizaram cada tarefa. SARA é uma escala clínica desenvolvida por Schmitz-Hübsch et al.25,26 que avalia uma gama de diferentes Incapacidades na ataxia cerebelar, que vão da fala ao equilíbrio. A escala é composta por 8 categorias com pontuações que variam como, marcha (0-8 pontos), postura (0-6 pontos), sentado (0-4 pontos), perturbação da fala (0-6 pontos), perseguição dos dedos (0-4 pontos), teste nariz-dedo (0-4 pontos), movimento alternado rápido da mão (0-4 pontos), salto-canela (0-4 pontos). Uma vez que o clínico avalia cada uma das 8 categorias para um indivíduo, eles podem calcular ainda mais a pontuação cumulativa que varia de 0 (sem ataxia) a 40 (ataxia mais grave) para determinar a gravidade da ataxia do sujeito atáxico. Em nosso estudo, para evitar qualquer viés subjetivo, um clínico avaliou todas as tarefas.

   sistema de avaliação de 3 níveis do sistema COA

   as técnicas a incorporar no sistema instrumentado proposto (sistema COA) são demonstradas através de um fluxograma (Fig. 3) e descritas nas subsecções seguintes.

   

   3-tier processo de Avaliação fluxograma do COA do Sistema.

   o Recurso de redução e análise estatística

   Original de extração de características para cada teste foram baseadas na relevantes anterior estudos4,6,7,8,9,10,11. Um total de 172 características foram identificadas como críticas para a avaliação objetiva de testes individuais. As medições de processo contêm muitos dados correlacionados ou redundantes. É importante removê-los e extrair as características que carregam a relevância mais independente. Principal Component Analysis (PCA)27 é uma ferramenta de compressão, extração e visualização de dados usada para transformar vários fatores associados em um grupo de variáveis não relacionadas. O PCA é usado para comprimir os 172 recursos originais em 27 PCs (3 PCs de cada um dos 9 testes) (Fig. 3). Além disso, a informação crítica não vem de uma única variável de um teste individual, mas frequentemente decorre da relação entre variáveis, ou seja, como elas Co-variam. O PCA é o mais apropriado entre os métodos estatísticos multivariados comumente usados para avaliar tais informações, porque ele pode gerenciar grandes números de fatores altamente correlacionados, ruidosos e redundantes.

   O p-valor para o teste de hipóteses é calculado para as distribuições resultantes 3 PCs (computadores pessoais 1-2-3) de cada teste, com relação a cada um dos 5 domínios (Discurso, membro superior, membro inferior, marcha, equilíbrio) para determinar se os grupos de sujeitos (controle e atáxia) diferem significativamente. Em cada domínio, indivíduos com SARA medem mais do que zero, são agrupados como atáxicos, e controles e sujeitos que marcaram uma pontuação SARA de 0 para um determinado teste são agrupados como normais. Os testes estatísticos não paramétricos (Kolmogorov†” Smirnov (KS) e Mann-Whitney-Wilcoxon (MWW)) são adotados para evitar suposições sobre a distribuição de dados.

   teoria dos grafos & medidas de centralidade

   Visual quantificação do teste/domínio dependências

   a teoria dos grafos é aplicado para obter mais insights sobre as relações entre testes e domínios. Tests and domains were assigned to the nodes of a network, which joined up the nodes by edges with lengths representing Spearman’s rank correlation coefficients (ρ). A centralidade de um nó indica o número de arestas adjacentes a esse nó e a proximidade a todos os outros nós que são considerados como uma indicação da importância do nó. A frequência que um nó aparece no caminho mais curto entre dois outros nós também é uma medida de importância. O analisis28 Da Árvore de calibração mínima (MST) é utilizado no nosso estudo como uma medida fiável para comparar as redes em diferentes grupos, uma vez que é imparcial e não exige a fixação arbitrária de parâmetros 29. O MST só foi recentemente aplicado às redes cerebrais 29 e à identificação de genes críticos na diabetes mellitus30. O MST é um sub-grafo que conecta todos os nós para reduzir o comprimento total da aresta. Neste sentido, o MST é a rede “backbone” que encapsula as dependências inter-test/domínio. Para medir a proximidade, usamos o seguinte mapeamento para traduzir os coeficientes de correlação de rank de Spearman (ρ) em distâncias.

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

   (1)

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

   (2)

   MST deste grafo é calculado atribuindo os testes / domínios aos nós de uma rede e juntando os nós através dos extremos com comprimentos dados Por ρ.

   Overview of test/domain importance using graph centrality measures

   Representing the tests and domains in a graph form enables the quantification of the relationships between them. Uma vez que os grafos matemáticos caracterizam intrinsecamente as medidas de significância do nó, os testes/domínios atribuídos a esses nós são considerados altamente relevantes na medição de CA. A pontuação de importância do recurso é então calculada em todo o gráfico usando medidas de centralidade popular como centralidade de grau,centralidade de Proximidade E entre os anos 30. A Incidência ou Grau de Centralidade de um nó de um grafo dado conta o número de arestas adjacentes a esse nó que é definido matematicamente como,

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

   (3)

   onde, g := (N, e) é o gráfico dado com |N| nós e |e| bordas. Em um grafo conectado, o comprimento médio do caminho mais curto entre o nó e todos os outros nós na rede é denotado como a centralidade de proximidade normalizada (ou proximidade) de um nó. Portanto, um alto valor de proximidade implica que o nó é central ou significativo. A proximidade é definida como o inverso da soma das distâncias a partir do nó para todos os outros nós, isto é,

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

   (4)

   , onde d(N1, N2) é a distância entre os vértices de N1 e N2. Da mesma forma, o intervalo de um nó calcula com que frequência esse nó aparece entre dois outros nós no grafo no caminho mais curto. Um alto valor de intermediação significa que o nó é relevante. O Betweenness de um nó N é denotado como,

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

   (5)

   Classificação experimento

   classificação Binária

   A próxima etapa do sistema consiste de um diagnóstico ou de um problema de classificação binária comparando a discriminação do desempenho de cada um dos testes individuais, o combinado 9 de teste e dois reduzido de subconjuntos utilizando um Random Forest (RF) classifier31. Cada característica contribuiu para cada uma das 4 dimensões Holmesianas em diferentes graus (os pesos) que foram calculados em conformidade para o teste global de 9, bem como para o subconjunto ideal de testes.

   classificação Multilabel

   no nosso estudo, é utilizado um algoritmo de classificação Multilabels baseado em florestas aleatórias.

   A entrada de características no problema de classificação multilabel do nosso estudo consistiu em 27 componentes principais de todos os testes (3 PCs x 9 testes). O objetivo era identificar as deficiências em 5 domínios (0: normal; 1: atáxico). Por exemplo, um participante é representado pelos domínios do discurso, do membro superior, do membro inferior, da marcha e equilíbrio; e a possível rótulo powerset representação de que este é um multi-classe classificação problema com as classes , , , , , , , , …, onde, por exemplo, indica um participante cuja domínios de expressão e de membros inferiores são afetados, enquanto os domínios do membro superior, a marcha e o equilíbrio não são afetados.

   característica importância (ou rank) no Modelo RF

   no início, o tamanho ideal de folha em um classificador RF é verificado por comparação média de erros ao quadrado (MSE) obtidos pela classificação para vários tamanhos de folha (5, 10, 20, 50 e 100). O tamanho ideal da folha deve produzir os valores mais baixos de MSE. Uma vez que tenhamos estimado o tamanho ideal da folha, um conjunto maior é cultivado e usado para estimar a importância da característica. Para calcular a importância da característica no modelo de diagnóstico da floresta aleatória, inicialmente, calcula-se o MSE do modelo com as variáveis originais. Em seguida, os valores de uma única coluna (representando a característica 1 para as observações de n) são permutados e o MSE é calculado novamente. Por exemplo, se uma coluna pega os valores de recursos x1, x2, x3, x4 e uma permutação aleatória dos valores resulta em x4, x3, x1, x2; então isso resultará em um novo MSE. A diferença no MSE é média sobre todas as árvores do conjunto e dividida pelo desvio padrão tomado sobre as árvores para cada variável. Quanto maior este valor, mais significativa é a variável. A diferença é esperada para ser positiva, mas se for um número negativo, então implica que a permutação aleatória funcionou melhor inferindo que a característica não tem um papel na predição e não é considerada importante.

   computação estelar

   Uma vez que a importância/posição das características de 3 PC é avaliada para um teste específico através do esquema de classificação da Floresta Aleatória, o peso da característica original é calculado da seguinte forma: :

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

   (6)

   onde WOF: o Peso deste recurso em um componente de PC; R: Classificação do PC funcionalidade de RF modelo. Uma vez que cada característica se relaciona com uma das 4 dimensões Holmesianas, a contribuição da estabilidade global, Timing, precisão e dimensão de ritmos é o desgaste acumulado de todas as características de estabilidade, Timing, precisão e ritmicidade, respectivamente.

   validação cruzada (CV)

   para ambos os problemas de classificação, Os dados são estratificados usando uma técnica de “Leave-one-out” (LOO) CV. A validação cruzada em configurações com vários rótulos é complicada pelo facto de a forma comum (binária/multiclass) de amostragem estratificada não ser aplicável; foram sugeridas formas alternativas de amostragem estratificada aproximada em33. Então, em nosso estudo, a estratificação multi-label foi realizada usando uma técnica iterativa.

   métricas de avaliação

   o desempenho do classificador é avaliado usando as métricas, precisão, recolha, pontuação F1, precisão e coeficiente de correlação Matthews (MCC)34. Estas métricas são calculadas para cada domínio com base nos valores previstos após cada validação em LOO (34 vezes). Precisão geral, recall, pontuação F1, precisão do problema de classificação multilabel são a média dos resultados através de LOO nos 5 domínios. Por exemplo,

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

   7)

   Ranking de recursos através de um comboio RF& validação com LOO é a média de todos os rank em cada fase de treino e validação, tanto para os problemas de classificação binários como de multilabel.