Abordagem de Aprendizado de Máquina para Apoiar a Detecção da Doença de Parkinson na Análise de Marcha Baseada em IMU

O objetivo deste estudo foi determinar qual algoritmo de aprendizado de máquina supervisionado (ML) pode classificar com mais precisão pessoas com doença de Parkinson (pwPD) em comparação com sujeitos saudáveis (HS) pareados por velocidade, com base em um conjunto mínimo selecionado de características de marcha derivadas de IMU. Vinte e duas características de marcha foram extrapoladas a partir dos padrões de aceleração do tronco de 81 pwPD e 80 HS, incluindo índices espirotemporais, cinemáticos pélvicos e índices de estabilidade da marcha derivados de aceleração. Após um procedimento de seleção de características em três níveis, sete características de marcha foram consideradas para a implementação de cinco algoritmos de ML: máquina de vetor de suporte (SVM), rede neural artificial, árvores de decisão (DT), floresta aleatória (RF) e K-vizinhos mais próximos. Precisão, precisão, recall e pontuação F1 foram calculados. SVM, DT e RF mostraram os melhores desempenhos de classificação, com precisão de predição superior a 80% no conjunto de testes. O modelo conceitual de abordagem de ML que propusemos poderia reduzir o risco de super-representar características de marcha multicolineares no modelo, diminuindo o risco de sobreajuste nos desempenhos de teste enquanto promove a explicabilidade dos resultados.