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

Résumé

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.

Date	1 juin 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Patrick Cardinal (Directeur(-trice)) & Laureano Moro-Velazquez (Codirecteur(-trice))