Motorisk funktionsbedömning med radarsensorteknik och maskininlärning - med fokus på fingertappning hos patienter med Parkinsons sjukdom

Abstract

Detta kandidatarbete undersöker hur radarsensorteknik kan användas för att analysera motoriska funktioner hos patienter med Parkinsons sjukdom, med särskilt fokus på fingertappningstestet. Eftersom projektet inte är en del av en klinisk studie har testerna därav inte utförts på verkliga patienter med Parkinsons sjukdom. Kandidatarbetet sker i samarbete med Sahlgrenska Universitetssjukhuset och dess fysioterapeuter. En metod baserad på maskininlärningsalgoritmerna 1D-CNN 3 layer och CNN-LSTM har utvecklats. Syftet är att klassificera fingertappningstestet i enlighet med MDS-UPDRS. Genom denna metod möjliggörs en objektiv och evidensbaserad bedömning av patientens motoriska funktion, vilket är av stor vikt både för diagnostik och för monitoreringen av sjukdomens progression. Resultatet med 1D-CNN 3 layer visar en klassificeringsnoggrannhet på 74,19 % utan dataaugmentering och 92,72 % med dataaugmentering. Noggrannheten förbättras avsevärt med CNN-LSTM-algoritmen, som utan dataaugmentering uppnår 98,38 % noggrannhet. Modellen med augmentering uppvisade en något lägre noggrannhet, men en mer stabil prestanda. En 5-fold korsvalidering av algoritmen med augmenterad data visar stabil och konsekvent god prestanda med noggrannhet mellan 96,17 % och 99,28 %. Dessa resultat tyder på att den utvecklade metoden kan identifiera och klassificera de olika kategorierna, med endast mindre fel som beror på problemets komplexitet.