Exploration of Various Fractional Order Derivatives in Parkinson’s Disease Dysgraphia Analysis

要約

パーキンソン病 (PD) は一般的な神経変性疾患であり、65 歳以上の人々の有病率は 2.0% と推定されています。
硬直や運動緩慢などの PD の基本的な運動症状は、手書きプロセスに関与する筋肉に影響を与え、PD 書字障害と呼ばれる手書き異常を引き起こします。
今日では、デジタル化タブレットによって取得されたオンライン手書き信号 (時間情報を含む信号) は、グラフ運動困難分析の最も高度なアプローチです。
基本的な運動学的特徴は、PD 書字障害の症状を効果的に定量化することが証明されましたが、最近の研究では、分数計算の理論を使用して、筆記運動困難分析を改善できることが確認されました。
したがって、この研究では、以前の研究をフォローアップし、PD 書字障害の分析における分数次数導関数 (FD) のさまざまなアプローチの利用を調査することを目的としています。
この目的のために、パーキンソン病手書きデータベース (PaHaW) の反復ループ タスクを使用しました。
手書き信号は、Gr\’unwald-Letnikov、Riemann-Liouville、および Caputo の 3 つの FD 近似を使用する運動学的特徴によってパラメータ化されました。
相関分析の結果、速度に基づく臨床状態と手書きの特徴との間に有意な関係があることが明らかになりました。
Caputo の FD 近似によって抽出された特徴は、分析された残りの FD アプローチよりも優れていました。
これは、Caputo の手書き機能によってトレーニングされた最良のモデルが、83.78% の感度と 75.68% の特異性で 79.73% のバランスの取れた精度をもたらした分類分析の結果によっても確認されました。

要約(オリジナル)

Parkinson’s disease (PD) is a common neurodegenerative disorder with a prevalence rate estimated to 2.0% for people aged over 65 years. Cardinal motor symptoms of PD such as rigidity and bradykinesia affect the muscles involved in the handwriting process resulting in handwriting abnormalities called PD dysgraphia. Nowadays, online handwritten signal (signal with temporal information) acquired by the digitizing tablets is the most advanced approach of graphomotor difficulties analysis. Although the basic kinematic features were proved to effectively quantify the symptoms of PD dysgraphia, a recent research identified that the theory of fractional calculus can be used to improve the graphomotor difficulties analysis. Therefore, in this study, we follow up on our previous research, and we aim to explore the utilization of various approaches of fractional order derivative (FD) in the analysis of PD dysgraphia. For this purpose, we used the repetitive loops task from the Parkinson’s disease handwriting database (PaHaW). Handwritten signals were parametrized by the kinematic features employing three FD approximations: Gr\’unwald-Letnikov’s, Riemann-Liouville’s, and Caputo’s. Results of the correlation analysis revealed a significant relationship between the clinical state and the handwriting features based on the velocity. The extracted features by Caputo’s FD approximation outperformed the rest of the analyzed FD approaches. This was also confirmed by the results of the classification analysis, where the best model trained by Caputo’s handwriting features resulted in a balanced accuracy of 79.73% with a sensitivity of 83.78% and a specificity of 75.68%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google