gms | German Medical Science

MAINZ//2011: 56. GMDS-Jahrestagung und 6. DGEpi-Jahrestagung

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

26. - 29.09.2011 in Mainz

Erkennung von Demenzerkrankungen auf der Basis von Bewegungsprofilen mit Hilfe hierarchischer Markov-Modelle

Meeting Abstract

Suche in Medline nach

  • Andre Hoffmeyer - DZNE - Deutsches Zentrum für Neurodegenerative Erkrankungen, Rostock
  • Alexandra Bauer - Universität Rostock, Rostock
  • Stefan Teipel - DZNE - Deutsches Zentrum für Neurodegenerative Erkrankungen, Rostock
  • Thomas Kirste - Universität Rostock - Institut für Informatik, Rostock

Mainz//2011. 56. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 6. Jahrestagung der Deutschen Gesellschaft für Epidemiologie (DGEpi). Mainz, 26.-29.09.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11gmds402

DOI: 10.3205/11gmds402, URN: urn:nbn:de:0183-11gmds4027

Veröffentlicht: 20. September 2011

© 2011 Hoffmeyer et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Bei einer wachsenden Lebenserwartung spielen Demenzerkrankungen eine immer größere Rolle. Eine frühe Diagnose ist dabei wichtig für einen positiveren Verlauf dieser Krankheit. Abnormales Bewegungsverhalten und Störungen im Schlafrhythmus sind bekannte Symptome von Demenzerkrankungen [1]. Könnten solche Symptome mit Hilfe einfacher Sensoren erkannt werden, stünde ein neuartiges diagnostisches Instrument zur Verfügung. Im Rahmen einer Paarstudie am DZNE wird untersucht, ob akzelerometrisch erfasste Bewegungsprofile im Hinblick auf ihre temporale Struktur statistisch signifikante Unterschiede zwischen gesunden und erkrankten Versuchspersonen aufweisen. Datengrundlage der Studie ist das Bewegungsverhalten von (Ehe)Paaren (Alter>65).

Die Aufzeichnung der Bewegung erfolgt in der Häuslichkeit. Beide Partner werden mit je einem Beschleunigungssensor am Fuß ausgestattet, der über 50h kontinuierlich die Beschleunigungswerte (x, y, z) mit einer Rate von 50Hz aufzeichnet. Bisher liegen Bewegungsprofile von n=34 Versuchspersonen (17 Paare) vor. Bei 12 Paaren, leidet ein Partner an einer Demenzerkrankung, bei den anderen 5 Paaren sind beide Partner gesund. Ziel der Studie die Entwicklung statistischer temporaler Modelle, die eine zuverlässige Klassifikation des Status (erkrankt/gesund) auf Basis des Bewegungsprofils erlaubt. Hierzu verwenden wir hierarchische Markov-Modelle [2], die eine probabilistische Repräsentation von temporalen Strukturen auf verschiedenen Abstraktionsniveaus erlauben.

Aus den validierten und normierten Rohdaten wurde zunächst für jeden Datenpunkt (x, y, z) der Beschleunigungsbetrag r berechnet und für Fenster der Größe von 2 Minuten (= 6000 Datenpunkte) Mittelwerte und Standardabweichungen der x, y z und r-Werte bestimmt. Als potentiell geeignete Merkmale für die Klassifikation wurden auf Basis einer Varianzanalyse der y-Mittelwert (normalverteilt) und r-Standardabweichung (lognormal) ausgewählt. Diese Merkmale wurden als Beobachtungen von zwei hierarchischen Markov Modellen (mg, mk) mit je 2x2 Zuständen verwendet. Modell mg wurde mit Daten der gesunden Probanden trainiert, das Modell mk mit den Daten der erkrankten Probanden. Zur Klassifikation eines neuen Probanden wird die Likelihood seines Bewegungsprofils jeweils im Modell mg und im Modell mk bestimmt; das Modell mit der größeren Likelihood bestimmt die Klassifikation des Probanden als gesund oder erkrankt. Eine Leave-One-Out Kreuzvalidierung auf den 34 Datensätzen ergab eine korrekte Klassifikation für 92% der Fälle (eine Fehlklassifikation als erkrankt und eine als gesund). In Anbetracht der recht einfachen statistischen Modellierung ist dies ein sehr ermutigendes Ergebnis für diesen neuen diagnostischen Ansatz. Ziel ist es, insgesamt 20 Paare bis Ende des Sommers 2011 in die Gruppe dement/gesund einzuschließen. Sollten sich diese Ergebnisse bei der größeren Stichprobe bestätigen, so ist es uns gelungen, mit einem einfachen nicht-invasiven Verfahren gesunde Probanden von Demenzpatienten zu unterscheiden.


Literatur

1.
Kearns WD, Nams VO, Fozard JL. Tortuosity in movement paths is related to cognitive impairment. Methods Inf Med. 2010;49(6):592-8.
2.
Fine S, Singer Y, Naftali Tishby. The hierarchical hidden Markov model: Analysis and applications. Machine learning. 1998;32(1):41-62.