Predicting the severity of Parkinson’s disease symptoms with smartwatches during daily living

Gill, Marie-Philippe (2021). Predicting the severity of Parkinson’s disease symptoms with smartwatches during daily living. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (24MB) | Prévisualisation

Résumé

Parkinson’s Disease (PD) is a neurodegenerative disease that affects millions of people worldwide and can significantly affect the quality of life. Currently, the Movement Disorder Society Unified Parkinson’s Disease Rating Scale (MDS-UPDRS) test evaluates the disease’s progression and is considered the gold standard. However, the test is done on average once or twice a year to assess motor and non-motor symptoms related to PD. It only provides a snapshot of the symptoms on a given day which is a significant limitation of the test. There is a need for passive, longitudinal, and in-the-wild home monitoring of the disease as PD symptoms can fluctuate for various reasons, such as the quality of sleep, from one day to the next. Monitoring the symptoms during daily life can provide essential insights and lead to better health care decisions for patients by providing information about how severe the symptoms are on average throughout the whole year. As a result, clinicians could find the most optimal medication schedule and dosage for patients, which has the potential to reduce side-effects of the medication like dyskinesia. Most of the work has been done either in clinical environments or at home with scripted tasks that subjects need to complete at specific times, which can be an additional burden. This is why this work aims to quantify the medication status (on/off), the severity of tremor, and dyskinesia from a single wrist-worn smartwatch during passive monitoring. Using the accelerometer of the Apple Watch, we propose three approaches to solve this problem. The first one is based on time series features extraction with an Extreme Gradient Boosting (XGBoost), while the second uses embeddings with different classifiers like Probabilistic Linear Discriminant Analysis (PLDA), K-Nearest Neighbors (KNN), and Support Vector Regression (SVR). The third approach is a fusion of both approaches using a simple average. We experimented with different data pre-processing methods, such as using a High-Pass Filter (HPF) to remove the gravity component. We also detected and removed inactivity in the signals. Furthermore, we artificially generated new samples with various data augmentation techniques such as linear combination, Gaussian noise, resampling, and rotation. Finally, the third approach was the most successful and achieved a weighted Mean Square Error (MSE) of 1.129, 0.429, and 0.462 for on/off, tremor, and dyskinesia. Thus, for each symptom, a different combination of data pre-processing and augmentation successfully improved the overall MSE.

Titre traduit

Prédire la sévérité des symptômes du Parkinson avec des montres intelligentes pendant la vie de tous les jours

Résumé traduit

La maladie de Parkinson affecte des millions de personnes à travers le monde et peut grandement affecter la qualité de vie des gens diagnostiqués. De nos jours, le test MDS-UPDRS évalue la progression de la maladie et est considéré comme référence. Par contre, le test est effectué en moyenne une à deux fois par année. Cela n’offre qu’une image de la sévérité des symptômes du patient la journée où le test est passé. Il y a un besoin de monitorer les symptômes de façon passive et pendant de plus grandes périodes de temps puisque les symptômes peuvent varier selon une multitude de facteurs d’une journée à l’autre. Pouvoir mesurer la sévérité des symptômes dans la vie de tous les jours pourrait permettre aux patients et aux médecins de trouver la dose et l’horaire de médication le plus optimal possible. La plupart des recherches jusqu’à maintenant ont été conduites dans des environnements contrôlés, ou à la maison, mais les patients devaient accomplir des tâches précises à certains moments planifiés dans la journée. Notre recherche vise à quantifier si la médication est efficace, ainsi que la sévérité des tremblements et de la dyskinésie à partir d’une montre intelligente portée sur le poignet. À partir de l’accéléromètre de la montre, nous proposons trois approches pour résoudre le problème à l’étude. La première est basée sur l’extraction de primitives à partir des séries chronologiques suivi d’un XGBoost, tandis que la seconde utilise des représentations vectorielles suivies de différents modèles comme PLDA et KNN, mais le SVR est celui qui finalement offre les meilleurs résultats. La troisième approche fait une simple moyenne des prédictions des deux approches. Différentes méthodes de pré-traitement des données ont été appliquées, comme l’utilisation d’un filtre passe-haut pour enlever la composante de gravité, ainsi que la détection de l’inactivité pour la retirer des données. De plus, différentes techniques pour générer artificiellement de nouvelles données ont été utilisées pour augmenter l’ensemble d’entraînement, comme la combinaison linéaire, du bruit gaussien, le ré-échantillonnage et la rotation du signal. Finalement, la troisième approche a obtenu les meilleurs résultats avec une erreur quadratique moyenne pondérée de 1.129, 0.429 et 0.462 pour le statut de la médication, les tremblements et la dyskinésie. Différents pré-traitement et techniques d’augmentation ont été utilisées et efficaces pour chaque symptôme à l’étude.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for a master’s degree with thesis in information technology". Comprend des références bibliographiques (pages 115-122).
Mots-clés libres:	Parkinson, montres intelligentes, on/off, tremblement, dyskinésie
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Cardinal, Patrick
Codirecteur:	Codirecteur Moro-Velazquez, Laureano
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	22 nov. 2021 18:36
Dernière modification:	22 nov. 2021 18:36
URI:	https://espace.etsmtl.ca/id/eprint/2784

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt