А.А. Мошкова1, А.В. Самородов2, Н.А. Войнова3, А.К. Волков4, М.В. Ершова5, Е.О. Иванова6, Е.Ю. Федотова7

1,2 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
3,4 Научно-образовательный медико-технологический центр МГТУ им. Н.Э. Баумана (Москва, Россия)
5–7 ФГБУН Научный центр неврологии (Москва, Россия)

Постановка проблемы. В настоящее время исследователями отмечается увеличение продолжительности жизни населения во всем мире, что несомненно вызовет увеличение встречаемости болезни Паркинсона в ближайшее десятилетие. Известно, что пациенты с болезнью Паркинсона обращаются к неврологу несвоевременно, что существенно снижает эффективность терапии. Применяемые на сегодняшний день методики визуальной оценки тяжести заболевания на основе рейтинговых шкал, как показывают многие исследования, не являются объективными и непригодны для скрининга.

Цель работы – разработка и исследование метода автоматизированного распознавания болезни Паркинсона.

Результаты. Для решения задачи бинарной классификации используются признаки гипокинезии – наиболее важного для диагностики болезни Паркинсона симптома. Расчет признаков гипокинезии осуществляется на основе данных двигательной активности рук, мимической активности и лицевой выразительности при выполнении специальных упражнений. После отбора признаков на основе статистического и корреляционного анализов, а также с помощью ансамбля классификаторов на основе решающих деревьев точность классификации составила 96,9% при использовании наивного байесовского классификатора. В наилучший набор, состоящий из 8 признаков, вошли признаки всех двигательных задач, что говорит о важности совместной оценки проявлений гипокинезии в области рук и лица.

Практическая значимость. В результате исследований, описанных в данной работе, показано хорошее разделение пациентов с болезнью Паркинсона и контрольной группы. Получен набор наиболее значимых признаков для распознавания болезни Паркинсона, которые могут быть использованы для автоматизированного скрининга.

1. Samii A., Nutt J.G., Ransom B.R. Parkinson’s disease // The Lancet. 2004. V. 363. P. 1783–1793.
2. Байрамукова А.М., Ажахметова А.К., Карпов С.М. Эпидемиология болезни Паркинсона в различных странах мира // Успехи современного естествознания. 2013. № 9. С. 20–21.
3. Катунина А.Е., Титова Н.В. Диагностика и лечение ранних стадий болезни Паркинсона: Методическое пособие. М. 2011. С. 3.
4. Willis A.W., Schootman M., Evanoff B.A., Perlmutter J.S., Racette B.A. Neurologist care in parkinson disease: a utilization, outcomes, and survival study // Neurology. 2011. V. 77. № 9. P. 851–857.
5. Левин О.С., Датиева В.К. Диагностика и лечение ранней стадии болезни Паркинсона // Consilium medicum. 2012. Т. 9. С. 47–54.
6. Раздорская В.В., Юдина Г.К. Клиническая диагностика болезни Паркинсона // БМИК. 2014. №3. URL: https://cyberleninka.ru/article/n/klinicheskaya-diagnostika-bolezni-parkinsona (дата обращения: 22.02.2021).
7. Goetz C.G., Tilley B.C., Shaftman S.R. et al. Movement Disorder Society-sponsored revision of the Unified Parkinson’s Disease Rating Scale (MDS-UPDRS): scale presentation and clinimetric testing results // Mov. Disord. 2008. V. 23. P. 2129–2170.
8. Richards M., Marder K., Cote L., Mayeux R. Interrater reliability of the Unified Parkinson's Disease Rating Scale motor examination // Mov. Disord. 1994. V. 9. № 1. P. 89–91.
9. Evers L.J.W., Krijthe J.H., Meinders M.J., Bloem B.R., Heskes T.M. Measuring Parkinson's disease over time: the real-world within-subject reliability of the MDS-UPDRS // Mov. Disord. 2019. V. 34. P. 1480–1487.
10. Moshkova A., Samorodov A., Voinova N., Volkov A., Ivanova E., Fedotova E. Facial Emotional Expression Assessment in Parkinson's Disease by Automated Algorithm Based on Action Units // 2020 27th Conference of Open Innovations Association (FRUCT). 2020. P. 172–178.
11. Moshkova A., Samorodov A., Ivanova E., Fedotova E., Voinova N., Volkov A. Studying Facial Activity in Parkinson's Disease Patients Using an Automated Method and Video Recording // 2021 28th Conference of Open Innovations Association (FRUCT). 2021. P. 301–308.
12. Moshkova A., Samorodov A., Ivanova E., Fedotova E., Voinova N. Hand Movement Kinematic Parameters Assessment for Parkinson’s Disease Patients // 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). 2021.
13. Эконометрика: Учебник / под ред. И.И. Елисеевой. М.: Финансы и статистика. 2002. С. 344.
14. Sahyoun A., Chehab K., Al-Madani O., Aloul F., Sagahyroon A. ParkNosis: Diagnosing parkinsons disease using mobile phones // in 2016 IEEE 18th International Conference on e-Health Networking, Applications and Services (Healthcom). 2016. P. 1–6.
15. Langevin R., Ali M.R., Sen T., Snyder C., Myers T., Dorsey E.R., Hoque M.E. The PARK framework for automated analysis of Parkinson’s disease characteristics // Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. 2019. V. 3.
    № 2. P. 1–22.
16. Giovanni A. et al. An integrated multi-sensor approach for the remote monitoring of Parkinson’s disease // Sensors. 2019. V. 19. № 21. Article number: 4764. [Электронный ресурс]. – Режим доступа: URL: https://doi.org/10.3390/s19214764
17. Butt A.H. et al. Objective and automatic classification of parkinson disease with leap motion controller // Biomed. Eng. Online. 2018. V. 17. Article number: 168. [Электронный ресурс]. – Режим доступа: URL: https://doi.org/10.1186/s12938-018-0600-7
18. Maachi I.El, Bilodeau G.A., Bouachir W. Deep 1D-convnet for accurate Parkinson disease detection and severity prediction from gait // Expert Syst. Appl. 2020. V. 143. Article number: 113075. [Электронный ресурс]. – Режим доступа: URL: https://doi.org/10.1016/j.eswa.2019.113075
19. Vinokurov N., Weinshall D., Arkadir D., Bergman H., Linetsky E. Quantifying hypomimia in parkinson patients using a depth camera // Communications in computer and information science. 2016. V. 604. P. 63–71.
20. Kovalenko E. et al. Distinguishing Between Parkinson’s Disease and Essential Tremor Through Video Analytics Using Machine Learning: a Pilot Study // IEEE Sensors Journal. Препринт [Электронный ресурс]. – Режим доступа: URL: https://doi.org/10.1109/JSEN.2020.3035240