Identifisering av bevegelsesmønstre som indikerer Parkinsons sykdom

Abstract

Parkinsons sykdom (PS) er en nevrodegenerativ lidelse som rammer motoriske funksjoner og ofte forblir udiagnostisert i tidlige stadier. Tidlig identifisering er avgjørende for å forbedre pasienters livskvalitet. Tidligere forskning har vist at maskinlæring (ML) kan brukes til å analysere bevegelsesmønstre for å indikere PS, men slike løsninger har i liten grad blitt integrert i brukervennlige systemer for screening i hjemmet.

Denne bacheloroppgaven, gjennomført i samarbeid med Aible AS, har som mål å utvikle en ML-modell som kan identifisere bevegelsesmønstre karakteristiske for PS basert på data fra Aibles mobilbaserte treningsspill. Arbeidet bygger videre på tidligere forskning, men utvider feltet ved å utvikle egne features og integrere løsningen i en praktisk applikasjon.

Prosjektet benyttet DNE-113-datasettet, som inneholder posisjonsdata fra videoopptak av ulike motoriske øvelser. Etter omfattende preprosessering og feature engineering ble det utviklet Random Forest-modeller for de tre øvelsene Finger Tapping, Finger to Finger og Forearm Roll. Modellene ble evaluert med Leave-Two-Out Cross Validation og testet på et uavhengig testsett. Ensemblemodeller med både hard og myk avstemming ble også utviklet for å kombinere styrkene fra enkeltmodellene.

Resultatene viser at ensemblemodellen med myk avstemming, trent på et egendefinert featuresett, oppnådde best ytelse med 94,3 % nøyaktighet i kryssvalidering og 86 % på testsettet.

Løsningen ble tilpasset Aibles posisjonsestimeringssystem. Bærekraftsanalyse viser at løsningen har potensial til å bidra til tidligere diagnose, redusere belastning på helsevesenet og støtte FNs bærekraftsmål om god helse og livskvalitet. Samtidig ble det identifisert utfordringer knyttet til datasettstørrelse og dermed påliteligheten til evalueringen av modellen.

Oppgaven konkluderer med at ML kombinert med datasyn kan brukes effektivt til å identifisere bevegelsesmønstre som indikerer PS. Videre arbeid bør blant annet fokusere på utvidelse av datasettet og testing på reelle brukere.

Parkinson's disease (PD) is a neurodegenerative disorder that affects motor functions and often remains undiagnosed in its early stages. Early identification is crucial for improving patients' quality of life. Previous research has shown that machine learning (ML) can be used to analyze movement patterns indicative of PD, but such solutions have rarely been integrated into user-friendly systems for home-based screening.

This bachelor's thesis, conducted in collaboration with Aible AS, aims to develop an ML model capable of identifying movement patterns characteristic of PD based on data from Aible’s mobile-based training game. The work builds on previous research, but expands the field by developing custom features and integrating the solution into a practical application.

The project used the DNE-113 dataset, which contains positional data from video recordings of various motor exercises. After extensive preprocessing and feature engineering, Random Forest models were developed for the three exercises Finger Tapping, Finger to Finger, and Forearm Roll. The models were evaluated using Leave-Two-Out Cross Validation and tested on an independent test set. Ensemble models using both hard and soft voting were also developed to combine the strengths of the individual models.

The results show that the ensemble model with soft voting, trained on a custom feature set, achieved the best performance with 94.3% accuracy in cross-validation and 86% on the test set.

The solution was adapted to Aible’s position estimation system. A sustainability analysis indicates that the solution has the potential to contribute to earlier diagnosis, reduce the burden on the healthcare system, and support the UN’s Sustainable Development Goals related to good health and well-being. At the same time, challenges related to dataset size and the reliability of model evaluation were identified.

The thesis concludes that ML combined with computer vision can be effectively used to identify movement patterns indicative of PD. Future work should focus on expanding the dataset and testing with real users.