論文の概要、ライセンス

# (参考訳) マルチモーダルスマートデバイスシステムを用いたパーキンソン病のサブグループ発見 [全文訳有]

Subgroup discovery of Parkinson's Disease by utilizing a multi-modal smart device system ( http://arxiv.org/abs/2205.05961v1 )

ライセンス: CC BY 4.0
Catharina Marie van Alen, Alexander Brenner, Tobias Warnecke and Julian Varghese(参考訳) 近年、スマート消費者デバイスからのセンサーは、運動障害の診断において大きな可能性を示している。 この文脈では、電子アンケート、手の動き、音声キャプチャなどのデータモダリティがバイオマーカーの取得に成功し、パーキンソン病(PD)と健康管理(HC)と差分診断(DD)の区別を可能にした。 しかし、我々の知る限りでは、マルチモーダルスマートデバイスシステムによるアセスメントの包括的な評価はまだ不十分である。 PDを探索するために、私たちはスマートウォッチとスマートフォンを使用して、PD患者、DD、HCを含む504人の参加者からマルチモーダルデータを収集しました。 本研究の目的は,マルチモーダルデータと単一モーダルデータとがPD対HC,PD対DD,およびサブグループ識別のためのPD群クラスタリングに与える影響を評価することである。 様々なモダリティを組み合わせることで,分類精度が向上し,さらにPDクラスタが発見された。

In recent years, sensors from smart consumer devices have shown great diagnostic potential in movement disorders. In this context, data modalities such as electronic questionnaires, hand movement and voice captures have successfully captured biomarkers and allowed discrimination between Parkinson's disease (PD) and healthy controls (HC) or differential diagnosis (DD). However, to the best of our knowledge, a comprehensive evaluation of assessments with a multi-modal smart device system has still been lacking. In a prospective study exploring PD, we used smartwatches and smartphones to collect multi-modal data from 504 participants, including PD patients, DD and HC. This study aims to assess the effect of multi-modal vs. single-modal data on PD vs. HC and PD vs. DD classification, as well as on PD group clustering for subgroup identification. We were able to show that by combining various modalities, classification accuracy improved and further PD clusters were discovered.
公開日: Thu, 12 May 2022 08:59:57 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
SUBGROUP DISCOVERY OF PARKINSON’S DISEASE BY UTILIZING A MULTI-MODAL SMART DEVICE SYSTEM マルチモーダルスマートデバイスシステムを用いたパーキンソン病のサブグループ発見 0.48
2 2 0 2 y a M 2 1 2 2 0 2 y a m 2 1 である。 0.52
] G L . s c [ ] G L。 sc [ 0.47
1 v 1 6 9 5 0 1 v 1 6 9 5 0 0.42
. 5 0 2 2 : v i X r a . 5 0 2 2 : v i X r a 0.42
Catharina Marie van Alena, Alexander Brennera, Tobias Warneckeb, Julian Varghesea Catharina Marie van Alena, Alexander Brennera, Tobias Warneckeb, Julian Varghesea 0.42
aInstitute of Medical Informatics, University of Münster, Münster, Germany ドイツ・ミュンスターのミュンスター大学医学情報学研究所 0.52
bDepartment of Neurology and Neurorehabilitation, Klinikum Osnabrück – Academic teaching hospital of b) Klinikum Osnabrück, Academic teaching hospital of Neurology and Neurorehabilitation, Klinikum Osnabrück 0.43
the University of Münster, Osnabrück, Germany ドイツ、オスナブリュックのミュンスター大学 0.47
ABSTRACT In recent years, sensors from smart consumer devices have shown great diagnostic potential in movement disorders. ABSTRACT 近年、スマート消費者デバイスからのセンサーは、運動障害の診断において大きな可能性を示している。 0.53
In this context, data modalities such as electronic questionnaires, hand movement and voice captures have successfully captured biomarkers and allowed discrimination between Parkinson’s disease (PD) and healthy controls (HC) or differential diagnosis (DD). この文脈では、電子アンケート、手の動き、音声キャプチャなどのデータモダリティがバイオマーカーの取得に成功し、パーキンソン病(PD)と健康管理(HC)と差分診断(DD)の区別を可能にした。 0.59
However, to the best of our knowledge, a comprehensive evaluation of assessments with a multi-modal smart device system has still been lacking. しかし、我々の知る限りでは、マルチモーダルスマートデバイスシステムによるアセスメントの包括的な評価はまだ不十分である。 0.71
In a prospective study exploring PD, we used smartwatches and smartphones to collect multi-modal data from 504 participants, including PD patients, DD and HC. PDを探索するために、私たちはスマートウォッチとスマートフォンを使用して、PD患者、DD、HCを含む504人の参加者からマルチモーダルデータを収集しました。 0.57
This study aims to assess the effect of multi-modal vs. single-modal data on PD vs. HC and PD vs. DD classification, as well as on PD group clustering for subgroup identification. 本研究の目的は,マルチモーダルデータと単一モーダルデータとがPD対HC,PD対DD,およびサブグループ識別のためのPD群クラスタリングに与える影響を評価することである。 0.72
We were able to show that by combining various modalities, classification accuracy improved and further PD clusters were discovered. 様々なモダリティを組み合わせることで,分類精度が向上し,さらにPDクラスタが発見された。 0.72
Keywords Mobile Applications · Machine Learning · Movement Disorders · Parkinson’s Disease キーワード モバイルアプリケーション ・ 機械学習 ・ 運動障害 ・ パーキンソン病 0.63
1 Introduction Parkinson’s Disease (PD) is a neurodegenerative disorder with well-known symptoms such as slowed movement, rigidity, tremor and various non-motor symptoms (NMS). 1 はじめに パーキンソン病(英: Parkinson's Disease、PD)は、運動の遅さ、剛性、震動、および様々な非運動性症状(NMS)などのよく知られた症状を持つ神経変性疾患である。 0.52
The appearance of these symptoms and the disease progress, however, highly differ from patient to patient and clinical documentation does not capture fine-grained objective phenotypical characteristics. これらの症状の出現と疾患の進展は, 患者と患者, 臨床資料とは大きく異なるが, 微粒な客観的な表現的特徴を捉えていない。 0.75
Clinical documentation of motor symptoms, for instance, only describes three main PD subtypes: 例えば、運動症状の臨床文書には3つの主要なpdサブタイプしか記述されていない。 0.56
1) Tremor-dominant PD, 1)Tremor-dominant PD, 0.37
2) Akineto-rigid PD, 2)Akineto-rigid PD, 0.39
3) Mixed/Equivalence type. Although there is no neuroprotective or regenerative treatment to date, early diagnosis and treatment is important in reducing burden and potential treatment costs [1]. 3)混合/等価型。 現在までに神経保護や再生療法はないが、早期診断と治療は、負担と潜在的治療コストの削減に重要である。 0.69
Thus, there is a need for early objective biomarkers. したがって、初期の客観的バイオマーカーが必要である。 0.69
Various systems have already demonstrated promising diagnostic potential when analyzing data modalities like electronic questionnaires, hand movement and voice captures [2, 3, 4]. 電子アンケート,手の動き,音声キャプチャなどのデータモダリティを解析する場合,様々なシステムが有望な診断可能性をすでに示している[2, 3, 4]。 0.76
These studies were able to differentiate between PD and healthy subjects based on digital biomarkers, yielding an important step towards potential clinical adaptation. これらの研究は、デジタルバイオマーカーに基づいてpdと健常者を区別することができ、臨床適応への重要な一歩となった。
訳抜け防止モード: これらの研究は デジタルバイオマーカーを用いて PDと健康な被験者を区別します 臨床適応に向けて重要な一歩を踏み出します
0.72
However, to the best of our knowledge, there is still a lack of comprehensive evaluation of combinations of these biomarkers in an interactive smart-device-based assessment setting. しかし、私たちの知る限りでは、インタラクティブなスマートデバイスベースの評価設定では、これらのバイオマーカーの組み合わせを包括的に評価することができない。 0.59
In particular, it is important to consider other similar movement disorders in the analysis as well to improve disease-specificity of the biomarkers. 特に、他の類似した運動障害を解析において考慮し、バイオマーカーの病原性を改善することが重要である。 0.68
To approach this problem, we have developed a Smart Device System (SDS) to analyze PD patients based on multimodal data recording. この問題に対処するために,マルチモーダルデータ記録に基づくPD患者を解析するスマートデバイスシステム(SDS)を開発した。 0.89
In a compact assessment, the SDS was used to record self-completed electronic questionnaires and smartwatch-based sensor measures from a series of movement tasks. コンパクトな評価では、SDSは一連の動作タスクから自己完結した電子アンケートとスマートウォッチによるセンサ測定を記録するのに使われた。 0.70
Given this system, we have recorded a total of 503 patient sessions in a prospective study from 2018 to 2021. 本システムでは,2018年から2021年にかけて,503件の患者セッションを記録している。 0.68
Based on this study data, we have already found high diagnostic potential utilizing Machine Learning (ML) methods with movement and questionnaire data [5]. 本研究データから,機械学習(ML)手法による動きとアンケートデータを用いた高い診断可能性をすでに発見している [5]。 0.91
In a later stage of the study, further selected modalities were added to the assessments, these are speech recordings and a smartphone-based finger tapping task. 研究の後半段階では、音声記録とスマートフォンによる指タッピングタスクにより、さらに選択されたモダリティが加えられた。 0.62
In this work, we analyze the advances of the multi-modality of our system. 本研究では,本システムにおけるマルチモーダリティの進歩を分析する。 0.77
We therefore 1) train ML models to discriminate PD from healthy controls and other movement disorders, and したがって 1)健康管理や他の運動障害からPDを識別するためのMLモデルを訓練し、 0.66
2) perform cluster analysis within the PD group. 2) PDグループ内でクラスタ分析を行う。 0.83
Our research question is whether the usage of the multi-modal data compared to 我々の研究課題は、マルチモーダルデータの利用が比較されるかどうかである。 0.65
英語(論文から抽出)日本語訳スコア
single-modal data increases information gain and thus シングルモーダルデータにより情報ゲインが増加し 0.68
1) improves diagnostic accuracy when combined, and 1)組み合わせによる診断精度の向上、及び 0.85
2) lets us discover distinguishable PD subgroups that go beyond the aforementioned three clinically established main types. 2) 臨床で確立された3つの主要型を超える識別可能なpdサブグループを見いだせる。 0.74
2 Study Data The study has been registered (ClinicalTrials.gov ID: NCT03638479) and approved by the ethical board of the University of Münster and the physician’s chamber of Westphalia-Lippe (Reference number: 2018-328-f-S). 2 研究データ この研究は登録済み(clinicaltrials.gov id: nct03638479)、ミュンスター大学倫理委員会とウェストファリア・リッペ医師院(参照番号:2018-328-f-s)によって承認された。 0.75
Three participant groups have been recorded: 参加団体は3つある。 0.52
1) Parkinson’s disease (PD), including a broad range of different PD progress states according to Hoehn and Yahr [6], 1) パーキンソン病 (PD) は, フーン, イェール [6] による幅広いPD進行状態を含む。 0.53
2) differential diagnoses (DD) and 2)鑑別診断(DD)と 0.72
3) healthy controls (HC). 3)健康管理(HC)。 0.64
Diagnoses were based on ICD-10 codes, confirmed by neurologists and reviewed by one senior movement disorder expert. 診断はICD-10コードに基づいており、神経学者によって確認され、ある運動障害の専門家によってレビューされた。 0.46
Our analysis focuses on participants that completed an assessment that included all data modalities. 分析では,すべてのデータモダリティを含む評価を完了した参加者に焦点を当てた。 0.61
From each participant we collected the following data: 各参加者から以下のデータを収集した。 0.72
1. Self-completed questionnaire: The first part includes information about age, height, weight, kinship with PD, alcohol consume and medication. 1. 自己完結アンケート: 第一部は, 年齢, 身長, 体重, PD, 飲酒, 薬物に関する情報を含む。 0.73
The second part consists of 30 yes/no items about NMS based on Chaudhuri et al [7]. 第2部はChaudhuri氏らによるNMSに関する30のイエス/ノー項目で構成されている。 0.63
2. Smartwatch-recorded movement tasks: 11 different movement tasks of 10 to 20 seconds length were performed with one smartwatch attached to each of the participants wrist respectively. 2) 手首に1個のスマートウォッチを装着し,11種類の動作タスクを10秒から20秒に分けて実施した。 0.63
Acceleration and rotation data were recorded synchronously. 加速度と回転データを同期して記録した。 0.61
3. Voice recording: 3 types of speech tasks were recorded: (i) holding vowel tones ("a"/"i"/"o") per one breath, 3.音声録音: (i)母音音(a"/"i"/"o")を1呼吸ごとに保持する3種類の音声タスクが記録された。 0.72
(ii) fast repetition of syllables "pah"/"tah"/"kah" and (ii)音節「pah」/「tah」/「kah」の高速反復と「kah」 0.42
(iii) sentences reading. (iii)文章の読み方。 0.33
4. Finger tapping: Using 3 fingers, participants were asked to tap the smartphone screen repeatedly for 15 4.指のタップ:3本指で15回繰り返しスマートフォンの画面をタップするよう求められた 0.81
seconds as quick as possible. Details about the individual assessment steps are described in Varghese et al [8]. 出来るだけ早く 個々の評価手順の詳細はVarghese et al [8]に記載されている。 0.55
The sample size of all participants is summarized in Table 1. 全参加者のサンプルサイズは表1にまとめられている。 0.83
Table 1: Participant sample 表1:参加者サンプル 0.93
Disease class Sample size 病型 サンプルサイズ 0.60
Data modalities Questionnaires, データモダリティアンケート 0.47
movement Questionnaires, movement, voice, 動き アンケート,運動,声, 0.71
finger tapping PD DD HC PD DD HC 指のタップ PD DD HC PD DD HC 0.56
279 133 90 21 27 23 279 133 90 21 27 23 0.42
2.1 Feature Extraction Given the assessment data, we performed a feature extraction procedure in order to prepare the data for ML. 2.1 特徴抽出 評価データから,ml用データを作成するために特徴抽出処理を行った。 0.61
The following feature sets were generated for the respective modalities and used for classification: それぞれのモダリティに対して以下の特徴セットが生成され、分類に使用される。 0.65
1. Self-completed questionnaire: All 30 NMS answers were used in binary format, other personal data was not 1.自己完結型アンケート:30個のnms回答はすべてバイナリ形式で使用され、他の個人データは使用されなかった 0.61
considered. 2. Smartwatch-recorded movement tasks: Two representative tasks were selected, "Relaxed" and "Lift and Hold". 考えました 2. スマートウォッチに記録された動作タスク: "relaxed" と "lift and hold" の2つの代表的なタスクが選択された。 0.56
The recorded movements consist of time series for both smart-watches in three spatial axes for acceleration and rotation sensor measures. 記録された動きは、加速度と回転センサー測定のための3つの空間軸におけるスマートウォッチの時系列からなる。 0.68
On these time series we computed frequency powers for 2 to 12 Hz in 1 Hz steps using Welch’s power spectral density (PSD). これらの時系列では、ウェルチのパワースペクトル密度(PSD)を用いて、1Hzのステップで2~12Hzの周波数パワーを計算した。 0.71
3. Voice recording: We computed Jitter via autocorrelation on all vocal tasks, measuring the extent of variation 3.音声記録:全ての音声課題の自己相関によりジッタを計算し,変動の程度を計測した 0.76
of the voice range. 4. Finger tapping: We divided the 15 seconds long record in three equal size segments and calculated the 声域のことです 4.指タッピング:15秒のレコードを3つの等間隔で分割し,計算した。 0.60
average speed and total count of display touches in every segment. 各セグメントの平均速度と ディスプレイの総数です 0.62
In addition, we generated a subset for the cluster analysis to account for the small sample size of the PD group with all data modalities (see Table 1). さらに、全てのデータモダリティを持つPDグループの小さなサンプルサイズを考慮するために、クラスタ分析のためのサブセットを生成した(表1)。 0.82
Voice and finger tapping features were fully included in the subset. 音声と指のタップ機能はサブセットに完全に含まれていた。 0.64
Questionnaire data were reduced to one feature by summing positively answered questions. 質問紙データを肯定的な回答で1つの特徴に減らした。 0.59
Moreover, the movement features were reduced by only including the assessment "Relaxed" and summing the frequency powers from 2 to 12 Hz. さらに、周波数パワーを2Hzから12Hzにまとめることにより、動作特性を「緩和」評価のみに削減した。 0.70
2 2 0.42
英語(論文から抽出)日本語訳スコア
3 Classification Given the previously described features, we have trained and optimized ML classifiers for the individual data modalities. 3分類 これまでに述べた機能から、個々のデータモダリティに対してML分類器を訓練し、最適化しました。 0.69
We used the scikit-learn implementation of the support-vector machine (SVM) [9] and CatBoost, a gradient boosting decision-tree-based model [10]. 我々は,scikit-learn実装である support-vector machine (svm) [9] と catboost を用いた。
訳抜け防止モード: scikit - learn implementation of the support - vector machine (svm ) [9] を使用した。 そしてcatboostは、勾配強化決定 - ツリーベースモデル [10] である。
0.62
To evaluate the potential information gain of combining features from different data modalities, we performed an adapted version of classifier stacking. 異なるデータモダリティから特徴を組み合わせた潜在的情報ゲインを評価するため,分類器スタックの適応版を実行した。 0.80
In this version, a certain classifier is trained on each respective source of sensor data, e g the movement data is only fed to a movement classifier. このバージョンでは、センサデータの各ソースに対して特定の分類器を訓練し、例えば、移動データは移動分類器にのみ供給される。 0.81
In this way, we trained one classifier for each data modality respectively and thus can utilize the additional samples for smartwatch and questionnaire data in the training process. このようにして、各データモダリティごとに1つの分類器を訓練し、トレーニングプロセスにおけるスマートウォッチおよびアンケートデータの追加サンプルを利用することができる。 0.78
A simple linear model was trained on top of the individual outputs to consider all data modalities in the classification process and compute the final label for the input samples. 単純な線形モデルは個々の出力に基づいて訓練され、分類過程における全てのデータモダリティを考慮し、入力サンプルの最終ラベルを計算する。 0.89
Figure 1 summarizes the architecture and the utilized classifiers. 図1はアーキテクチャと利用済みの分類器をまとめたものです。 0.63
To account for sample size differences, we used balanced class weighting in the training process and report results based on balanced classification accuracy. サンプルサイズの違いを考慮し,訓練過程におけるバランスクラス重み付けと,バランスクラス重み付けの精度に基づく報告を行った。 0.85
For evaluation, a 3 times randomly repeated 5-fold cross-validation was used. 評価には,ランダムに5倍のクロスバリデーションを3回繰り返した。 0.65
Two classification tasks were performed: PD vs. HC and PD vs. DD. PD vs. HC と PD vs. DD の2つの分類課題が実施された。 0.74
Figure 1: Stacking classifier for the classification of PD samples. 図1:PDサンプルの分類のためのスタック化分類器。 0.81
For each data modality, a selected classifier is trained. 各データモダリティに対して、選択された分類器を訓練する。 0.61
The outputs of each subclassifier are forwarded to a logistic regression that performs the final classification. 各サブ分類器の出力は、最終分類を実行するロジスティック回帰に転送される。 0.75
3.1 Results Classification performance has been evaluated for the individual classifiers for each respective data modality and the combination of all features using the previously described stacking approach. 3.1 結果 各データモダリティに対する個別分類器の分類性能と, 前述した積み重ね手法による全特徴の組み合わせについて評価を行った。 0.76
Table 2 summarizes the averaged classification scores from the cross-validation. 表2は、クロスバリデーションから平均的な分類スコアを要約する。 0.60
Table 2: Evaluation of questionnaire, movement, voice and finger tapping data on the sample subset with all data records (44 samples for PD vs. HC, 48 samples for PD vs. DD). 表2:すべてのデータレコードを含むサンプルサブセットのアンケート、運動、音声、指タップデータの評価(44サンプルのpd vs. hc、48サンプルのpd vs. dd)。
訳抜け防止モード: 表2:全データ記録(PD対HCの44サンプル)によるサンプルサブセットの質問紙, 動き, 声, 指のタッピングデータの評価 48例 (PD vs. DD ) であった。
0.84
Performance is measured with balanced accuracy (STD). 性能は平衡精度(STD)で測定される。 0.86
Best results are marked in bold. 最良の結果は太字で示される。 0.71
Task Quest. Mov. タスククエスト。 モブ。 0.55
Voice Finger Tapping Quest. 音声フィンガータッピングクエスト。 0.48
+ Mov. + Voice + Finger Tapping +モブ。 +Voice + Finger Tapping 0.35
PD vs. HC 0.843 (0.098) 0.825 (0.112) 0.702 (0.154) 0.6383 (0.157) 0.918 (0.074) PD vs. HC 0.843 (0.098) 0.825 (0.112) 0.702 (0.154) 0.6383 (0.157) 0.918 (0.074) 0.31
PD vs. DD 0.667 (0.112) 0.614 (0.102) 0.560 (0.198) 0.570 (0.084) 0.722 (0.121) PD vs. DD 0.667 (0.112) 0.614 (0.102) 0.560 (0.198) 0.570 (0.084) 0.722 (0.121) 0.31
4 Clustering We conducted hierarchical clustering within the PD group using the scikit-learn implementation of the agglomerative cluster algorithm [9]. 4 クラスタリング 本研究では,アグリメティブクラスタアルゴリズム [9] のシキトラーン実装を用いて,PDグループ内の階層クラスタリングを行った。 0.79
To analyze information gain through multi-modality, we compared clustering results of a single data modality (movement features) with multiple data modalities (movement, voice, finger tapping and questionnaire features). マルチモーダルによる情報取得を解析するために,単一データモダリティ(運動特徴)のクラスタリング結果と複数のデータモダリティ(動作,音声,指タップ,アンケート特徴)を比較した。 0.85
The optimal number of clusters was determined from dendrograms by identifying the longest distance between joined clusters. 結合したクラスター間の最長距離を同定し,デンドログラムからクラスタの最適数を決定した。 0.72
For each cluster, we summarized the cluster composition by distinguishing between the clinically established PD types: The tremor-dominant type (T-type), the akineto-rigid type (AR-type) and the equivalence type (ART-type). 各クラスタについて,t型 (t型),ar型 (akineto-rigid型),art型 (equivalence type) という,臨床で確立されたpd型を区別してクラスター構成を要約した。 0.72
These PD types were assigned to the participants by physicians in advance. これらのPD型は前もって医師によって参加者に割り当てられた。 0.62
Participants that could not be categorized to any of the types were documented as Unknown. いずれのタイプにも分類できない参加者は、不明として記録された。 0.73
3 Self-completedquesti onnaireVoice recordingSmartwatch- recordedmovement tasksCatBoostSVM (rbf)SVM (rbf)LogisticRegress ionFinger tappingCatBoostSubcl assifierpredictionsF inalprediction 3 Self-completedquesti onnaireVoice recordingSmartwatch- recordedmovement tasksCatBoostSVM (rbf)SVM (rbf)LogisticRegress ionFinger tappingCatBoostSubcl assifierpredictionsF inalprediction 0.29
英語(論文から抽出)日本語訳スコア
4.1 Results Figure 2 shows the dendrograms for 4.1結果 図2はデンドログラムを示します 0.60
(a) a single data modality (movement features) and (a)単一のデータモダリティ(動作特徴)及び 0.74
(b) multiple data modalities (movement, finger tapping, voice and questionnaire features). (b)複数のデータモダリティ(移動、指のタップ、音声、アンケート機能) 0.70
In the single-modal analysis, clusters were labeled with the letter S (e g cluster S1), in the multi-modal analysis with the letter M (e g cluster M1). 単一モーダル解析では、クラスタを文字S(egクラスタS1)でラベル付けし、M(egクラスタM1)でマルチモーダル解析を行った。
訳抜け防止モード: 単一のモーダル解析では、クラスタは文字S(e g cluster S1 )でラベル付けされた。 multi-modal analysis with the letter M ( e g cluster M1 )
0.86
Table 3 displays the corresponding cluster composition. テーブル3は、対応するクラスタ構成を表示する。 0.65
Figure 2: Dendrograms of the hierarchical cluster analysis for 図2:階層的クラスター分析のデンドログラム 0.68
(a) single-modal data (movement features) and (a)シングルモーダルデータ(動作特徴)及び 0.78
(b) multi-modal data (movement, finger tapping, voice and questionnaire features). b)マルチモーダルデータ(動作,指のタップ,音声,アンケート機能) 0.67
The gray horizontal line intersects the largest vertical distance between joined clusters. 灰色の横線は結合したクラスター間の最大垂直距離を交差する。 0.74
(a) (b) Table 3: The cluster composition by PD types corresponding to the cluster analysis in Figure 2. (a) (b) 表3: 図2のクラスタ分析に対応するPDタイプによるクラスタ構成。 0.53
All values are given in percent and rounded to the second decimal place. すべての値がパーセントで与えられ、第2の十進数に丸まる。 0.69
Movement Movement, Finger Tapping, Voice, Questionnaire 動き 動き,指のタッピング,声,アンケート 0.77
Cluster S1 Cluster S2 Cluster M1 Cluster M2 Cluster M3 Cluster M4 クラスタS1クラスタS2クラスタM1クラスタM2クラスタM3クラスタM4 0.64
33.33 0 33.33 33.33 33.33 0 33.33 33.33 0.32
0 44.44 27.78 27.78 0 44.44 27.78 27.78 0.33
0 25 50 25 0 25 50 25 0.42
33.33 0 33.33 33.33 33.33 0 33.33 33.33 0.32
0 50 16.67 33.33 0 50 16.67 33.33 0.34
0 50 50 0 Type T-Type AR-Type ART-Type Unknown 0 50 50 0 t型ar型アートタイプ不明 0.61
5 Discussion We have collected multi-modal data with the SDS to extract digital biomarkers. 5 討論 デジタルバイオマーカーを抽出するために,SDSを用いてマルチモーダルデータを収集した。 0.48
With these, we aimed to distinguish PD patients from other movement disorders and find subgroups within the PD patients. そこで我々は,PD患者を他の運動障害と区別し,PD患者にサブグループを見付けることを目的とした。 0.68
We therefore evaluated two ML tasks: classification and clustering. そこで,分類とクラスタリングという2つのmlタスクを評価した。 0.51
For the classification, we reported results based on classifiers that were trained on one data modality only. 本分類では,1つのデータモダリティのみをトレーニングした分類器に基づいて,結果を報告する。 0.72
Classifiers for movement and questionnaire data generally performed better than those utilizing voice or finger tapping data. 動作データやアンケートデータの分類は,音声や指のタッピングデータを利用するものよりも,概して優れている。 0.62
One argument for this observation is that significantly more training samples were available for questionnaire and movement data (see Table 1). この観察の1つとして、質問紙やムーブメントデータに対して、はるかに多くのトレーニングサンプルが利用可能であった(表1)。 0.63
When using a single modality, the questionnaire classifier achieved the highest balanced accuracy in both classification task with 84.3% for PD vs. HC and 66.7% for PD vs. DD. 単一モダリティを用いた場合, 両者の分類作業において, PD対HCでは84.3%, PD対DDでは66.7%と最もバランスの取れた精度を達成した。 0.69
Combining the data modalities improved performance, resulting in a balanced classification accuracy of 91.8% for PD vs. HC and 72.2% for PD vs. DD. データモダリティを組み合わせることで、PD対HCでは91.8%、PD対DDでは72.2%というバランスの取れた分類精度が向上した。 0.63
These results support our hypothesis that the proposed data recordings add informational value to the system, allowing more accurate discrimination of PD from healthy controls and, in particular, from other movement disorders. これらの結果は,提案するデータ記録がシステムに情報的価値を与え,pdを健全なコントロールから,特に他の運動障害からより正確に識別できるという仮説を裏付けるものである。 0.80
Further, we observed that PD vs. DD generally yield far less accurate classification results, indicating that more research is needed to precisely characterize and distinct PD from other similar disorders. さらに, PD vs. DD では, PD と他の類似疾患とを正確に識別し, 区別するためには, PD と DD の分類精度が極めて低いことが示唆された。 0.74
In clustering, we analyzed the optimal cluster number and cluster composition for single- and multi-modal data. クラスタリングでは,シングルモーダルデータとマルチモーダルデータの最適クラスタ数とクラスタ構成を解析した。 0.74
Single-modal data resulted in an ideal cluster number of two. 単一モーダルデータにより、理想的なクラスタ数は2つになった。 0.61
Cluster S2 contained mostly the AR-type, as well as the ART-type and samples labeled Unknown. クラスタS2には、主にAR型とART型とUnknownというラベルのサンプルが含まれていた。 0.58
It did not, however, contain the T-type. ただし、T型は含まない。 0.52
In contrast, Cluster S1 did not contain the AR-type, it did, however, include the T- and ART-type, as well as samples labeled Unknown. 対照的に、Cluster S1はAR型を含まないが、T型とART型、そしてUnknownというラベルのサンプルも含んでいた。 0.71
The results indicate 4 その結果は 4 0.55
英語(論文から抽出)日本語訳スコア
that smartwatch based features capture the clinically established PD types. スマートウォッチベースの機能は、臨床的に確立されたPDタイプをキャプチャします。 0.47
The cluster analysis with multiple data modalities resulted in a finer subdivision of participants. 複数のデータモダリティによるクラスタ分析の結果,参加者の細分化が生じた。 0.79
Cluster M2 included the same samples as cluster S1. クラスタM2はクラスタS1と同じサンプルを含んでいる。 0.69
The remaining samples formed three additional cluster. 残りのサンプルは3つのクラスターを形成した。 0.61
Cluster M4 consisted equally of the AR- and the ART-type, whereas cluster M1 and cluster M3 consisted of the AR-type, the ART-type and samples labeled Unknown. クラスタM4はAR型とART型に等しく、クラスタM1とクラスタM3はAR型、ART型、サンプルはUnknownとラベル付けされた。 0.68
In cluster M1, the ART-type prevailed, while cluster M3 mostly consisted of the AR-type. クラスタM1ではART型が主流となり、クラスタM3はAR型がほとんどであった。 0.62
The cluster analysis showed that an increase from single to multiple data modalities results in an increase in the number of clusters. クラスタ分析の結果,単一のデータモダリティから複数のデータモダリティへの増加は,クラスタ数の増加をもたらすことがわかった。 0.75
Because each cluster grouped at least two different PD types, we hypothesize that clusters cannot be explained by the clinically established PD types alone. 各クラスタは少なくとも2つの異なるPDタイプをグループ化するため、臨床で確立されたPDタイプだけではクラスタを説明できないと仮定する。 0.71
A limitation of our analysis is the relatively small sample size for the clustering within PD patients. 本分析の限界は, PD患者のクラスタリングにおいて, 比較的小さなサンプルサイズである。 0.85
Therefore, to find a stable and representative set of digital biomarkers, further evaluation with more multi-modal measurements - preferably > 200 PD participants and as many controls - is required. したがって、安定で代表的なデジタルバイオマーカーのセットを見つけるためには、200人を超えるpd参加者と多数のコントロールを持つマルチモーダルな測定によるさらなる評価が必要である。 0.70
6 Conclusion We have conducted a study with a multi-modal recording system based on mobile smart devices to research a broad phenotypical spectrum of PD. 6 結論 我々は,モバイルスマートデバイスを用いたマルチモーダル記録システムを用いて,PDの幅広い表現型スペクトルの研究を行った。 0.77
In this work, we evaluated the information gain that results from using data from different modalities, including questionnaires, movement recordings, voice captures and smart-phone based finger tapping. 本研究では,アンケート,移動記録,音声キャプチャ,スマートフォンベースの指タッピングなど,さまざまなモダリティから得られたデータから得られた情報について評価した。 0.72
Our ML analysis resulted in two main findings. ML解析の結果,主な所見は2例であった。 0.60
First, combining information from different sensor sources of smart devices improved classification accuracy when distinguishing PD from the HC group. まず,スマートデバイスの異なるセンサ源からの情報を組み合わせることで,hc群とpdを区別する場合の分類精度が向上した。 0.71
More importantly, we have seen a similar improvement in the classification between PD and the DD group, which consists of other movement disorders. さらに,他の運動障害を含むDD群とPD群の分類に類似した改善が見られた。 0.66
These results indicate that the different data modalities complement each other and in this way aid in characterizing PD more precisely when comparing it to other disorders. これらの結果は, 異なるデータモダリティが相互に補完し, pdを他の疾患と比較してより正確に特徴付けるのに役立つことを示唆する。 0.76
The second observation is related to the cluster analysis. 第2の観測はクラスタ分析に関連している。 0.82
Our methods have shown that we were able to identify certain subgroups within the PD group when utilizing movement data. 提案手法は, 移動データを利用した場合, pd群内の特定の部分群を同定できることを示した。 0.69
These representations are in line with medical expectation as PD is medically categorized based on movement symptoms. PDは運動症状に基づいて医学的に分類されるため、これらの表現は医学的な期待と一致している。 0.52
However, when adding additional data modalities to the clustering, we observed a finer subdivision between clusters. しかし,クラスタリングに付加的なデータモダリティを加えると,クラスタ間の細かな分割が観察される。 0.79
This observation indicates that there are potentially more PD sub-phenotypes beyond the well-known movement-based classifications. この観察は、よく知られた運動に基づく分類以上のPDサブフェノタイプが存在する可能性を示唆している。 0.58
Finding and specifying such yet unknown groups could strongly aid in more personalized PD treatment. このような未知のグループを見つけて特定することは、よりパーソナライズされたPD治療に強く役立つ。 0.52
As our system is fully based on consumer-grade devices, it could easily be integrated to support early diagnosis and disease monitoring by giving relevant indications from combinatory digital biomarkers. 本システムは,コンビネータのデジタルバイオマーカーから適切な指示を与えることにより,早期診断と疾患モニタリングを支援するために容易に統合することができる。 0.81
References [1] Ronald B Postuma. 参考文献 [1]ロナルドbポストマ。 0.57
Prodromal parkinson disease: do we miss the signs? 先天性パーキンソン病:徴候を見逃すか? 0.61
Nature Reviews Neurology, 15(8):437– Nature Reviews Neurology, 15(8):437– 0.49
438, 2019. 438, 2019. 0.42
[2] Chae Young Lee, Seong Jun Kang, Sang-Kyoon Hong, Hyeo-Il Ma, Unjoo Lee, and Yun Joong Kim. [2]chae young lee、song jun kang、song-kyoon hong、hyeo-il ma、unjoo lee、yunjoong kim。
訳抜け防止モード: [2]Che Young Lee,Seong Jun Kang,Sang - Kyoon Hong, ハイオ - イル・マ、ウンジョー・リー、ユン・ジョン・キム。
0.70
A validation study of a smartphone-based finger tapping application for quantitative assessment of bradykinesia in parkinson’s disease. パーキンソン病におけるブラジキネジアの定量的評価のためのスマートフォンを用いた指タッピング応用の検証研究。 0.73
PloS one, 11(7):e0158852, 2016. plos one, 11(7):e0158852, 2016年。 0.82
[3] Jan Rusz, Jan Hlavniˇcka, Tereza Tykalová, Michal Novotný, Petr Dušek, Karel Šonka, and Evžen R˚užiˇcka. ヤン・ルス、ヤン・フラヴニシュカ、テレサ・ティカロヴァー、ミハル・ノヴォトニ、ペトル・ドゥシェク、カレル・ヨンカ、エヴジェーン・R・ジュジシュカ。
訳抜け防止モード: ヤン・ルス(Jan Rusz)、ヤン・フラヴニシュカ、テレサ・ティカロヴァ(Tereza Tykalová) ミハル・ノヴォトニ、ペトル・ドゥシェク、カレル・ドンカ、エヴジュン・ル・ジュジシュカ。
0.44
Smartphone allows capture of speech abnormalities associated with high risk of developing parkinson’s disease. スマートフォンは、パーキンソン病の発生リスクの高い音声異常のキャプチャを可能にする。 0.66
IEEE transactions on neural systems and rehabilitation engineering, 26(8):1495–1507, 2018. IEEEによるニューラルシステムとリカバリエンジニアリングのトランザクション 26(8):1495–1507, 2018。 0.75
[4] Benoit Carignan, Jean-François Daneault, and Christian Duval. 4]ベノワ・カリニャン、ジャン=フランソワ・ダノー、クリスチャン・デュヴァル。 0.51
Measuring tremor with a smartphone. スマートフォンで震えを測定する。 0.68
In Mobile Health Technologies, pages 359–374. モバイルでは ヘルス・テクノロジーズ 359-374頁。 0.66
Springer, 2015. [5] Julian Varghese, Catharina Marie van Alen, Michael Fujarski, Georg Stefan Schlake, Julitta Sucker, Tobias Warnecke, and Christine Thomas. 2015年、春。 5]Julian Varghese, Catharina Marie van Alen, Michael Fujarski, Georg Stefan Schlake, Julitta Sucker, Tobias Warnecke, Christine Thomas。 0.47
Sensor validation and diagnostic potential of smartwatches in movement disorders. 運動障害におけるスマートウォッチのセンサ検証と診断可能性 0.74
Sensors, 21(9):3139, 2021. センサー21(9):3139,2021。 0.70
[6] Roongroj Bhidayasiri and Daniel Tarsy. 6]Roongroj Bhidayasiri氏とDaniel Tarsy氏。 0.41
Parkinson’s disease: Hoehn and yahr scale. パーキンソン病: hoehnとyahr scale。 0.53
In Movement Disorders: A Video Atlas, pages 4–5. 運動障害におけるA ビデオ・アトラス 4-5頁。 0.66
Springer, 2012. スプリンガー、2012年。 0.49
[7] Kallol Ray Chaudhuri, Pablo Martinez-Martin, Anthony HV Schapira, Fabrizio Stocchi, Kapil Sethi, Per Odin, Richard G Brown, William Koller, Paolo Barone, Graeme MacPhee, et al International multicenter pilot study of the first comprehensive self-completed nonmotor symptoms questionnaire for parkinson’s disease: the nmsquest study. Kallol Ray Chaudhuri, Pablo Martinez-Martin, Anthony HV Schapira, Fabrizio Stocchi, Kapil Sethi, Per Odin, Richard G Brown, William Koller, Paolo Barone, Graeme MacPhee, et al International multicenter pilot study of the first comprehensive self-completed nonmotor symptoms symptoms for Parkinson's disease: the nmsquest study。
訳抜け防止モード: [7 ]Kallol Ray Chaudhuri, Pablo Martinez - Martin Anthony HV Schapira, Fabrizio Stocchi, Kapil Sethi, Per Odin Richard G Brown, William Koller, Paolo Barone, Graeme MacPhee パーキンソン病に対する最初の総合的自己-完結した非運動者症状の多施設試験 : nmsquest 研究
0.73
Movement disorders: official journal of the Movement Disorder Society, 21(7):916–923, 2006. 運動障害:the movement disorder society, 21(7):916–923, 2006年。 0.71
5 5 0.42
英語(論文から抽出)日本語訳スコア
[8] Julian Varghese, Stephan Niewöhner, Iñaki Soto-Rey, Stephanie Schipmann-Mileti´c, Nils Warneke, Tobias Warnecke, and Martin Dugas. Julian Varghese, Stephan Niewöhner, Iñaki Soto-Rey, Stephanie Schipmann-Mileti ́c, Nils Warneke, Tobias Warnecke, Martin Dugas
訳抜け防止モード: [8 ]Julian Varghese, Stephan Niewöhner, Iñaki Soto - Rey, Stephanie Schipmann - Mileti ́c, Nils Warneke, Tobias Warnecke マーティン・デュガスとも。
0.83
A smart device system to identify new phenotypical characteristics in movement disorders. 運動障害における新しい表現型特徴を識別するスマートデバイスシステム 0.80
Frontiers in neurology, 10:48, 2019. 神経学のフロンティア、2019年10:48。 0.53
[9] Lars Buitinck, Gilles Louppe, Mathieu Blondel, Fabian Pedregosa, Andreas Mueller, Olivier Grisel, Vlad Niculae, Peter Prettenhofer, Alexandre Gramfort, Jaques Grobler, Robert Layton, Jake VanderPlas, Arnaud Joly, Brian Holt, and Gaël Varoquaux. 9] Lars Buitinck, Gilles Louppe, Mathieu Blondel, Fabian Pedregosa, Andreas Mueller, Olivier Grisel, Vlad Niculae, Peter Prettenhofer, Alexandre Gramfort, Jaques Grobler, Robert Layton, Jake VanderPlas, Arnaud Joly, Brian Holt, Gaël Varoquaux
訳抜け防止モード: 9]lars buitinck, gilles louppe, mathieu blondel fabian pedregosa, andreas mueller, olivier grisel, vlad niculae ピーター・プレッテンホーファー アレキサンダー・グラフォート ジャケス・グロブラー ロバート・レイトン jake vanderplas氏、arnaud joly氏、brian holt氏、gaël varoquaux氏。
0.59
API design for machine learning software: experiences from the scikit-learn project. 機械学習ソフトウェアのためのAPI設計: scikit-learnプロジェクトの経験。 0.90
In ECML PKDD Workshop: Languages for Data Mining and Machine Learning, pages 108–122, 2013. ECML PKDD Workshop: Languages for Data Mining and Machine Learning, page 108–122, 2013 0.41
[10] Anna Veronika Dorogush, Vasily Ershov, and Andrey Gulin. 10]アンナ・ヴェロニカ・ドログシュ、ヴァシーリー・エルショフ、アンドレイ・グリン 0.53
Catboost: gradient boosting with categorical features Catboost:カテゴリー的特徴による勾配向上 0.82
support. arXiv preprint arXiv:1810.11363, 2018. サポート。 arXiv preprint arXiv:1810.11363, 2018 0.56
6 6 0.42
             ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。