نشریه علمی مهندسی پزشکی زیستی
Iranian Journal of Biomedical Engineering (IJBME)

اثر پیش‌رفت بیماری پارکینسون بر ویژگی‌های آشوبی RQA

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

الهام حسنی 1
علی مالکی 2

1 کارشناسی ارشد، گروه مهندسی پزشکی، دانشگاه سمنان، سمنان، ایران

2 دانشیار، گروه مهندسی پزشکی، دانشگاه سمنان، سمنان، ایران

https://doi.org/10.22041/ijbme.2022.560449.1793
چکیده
بیماری پارکینسون یک بیماری تخریب کننده‌ی عصبی است که باعث اختلالات حرکتی شدیدی مانند برادی‌کینزی، سفتی و لرزش می‌شود. هیچ درمانی برای بیماری پارکینسون وجود ندارد و تنها می‌توان با علائم آن مقابله کرد. تشخیص بیماری پارکینسون با استفاده از مقیاس جهانی سطح‌بندی MDS-UPDRS صورت می‌گیرد. در این مقیاس چهار سطح جزئی، خفیف، متوسط و شدید برای بیماری تعریف شده که آزمون نواخت انگشتان یکی از موارد مقیاس سطح‌بندی است. نگاشت‌ بازرخداد و ویژگی‌های RQA ابزاری برای توصیف رفتار سامانه‌های آشوب‌ناک و آشکار ساختن الگوهای پنهان در پویایی سامانه می‌باشند. در این مقاله اثر پیش‌رفت سطح بیماری پارکینسون بر ویژگی‌های آشوبی RQA مورد مطالعه قرار گرفته است. بدین منظور از مجموعه‌ی دادگان شتاب‌سنج نصب شده روی دست حین انجام آزمون نواخت انگشت استفاده شده که شامل 67 داده‌ی سالم، 54 داده‌ی سطح یک، 66 داده‌ی سطح دو، 59 داده‌ی سطح سه و 14 داده‌ی سطح چهار بیماری است. پس از انجام پیش‌پردازش، نگاشت‌های بازرخداد دادگان رسم شده و ویژگی‌های RQA آن‌ها محاسبه شده است. الگوهای نگاشت‌های بازرخداد شامل نقاط بازرخداد مجزا، خطوط قطری، خطوط عمودی، مربع‌های سیاه رنگ و نوارهای سفید رنگ افقی و عمودی بررسی شده است. طبق نتایج به دست آمده، الگوهای نگاشت‌های بازرخداد دارای تفاوت‌های معناداری در بین سطوح مختلف بیماری پارکینسون است. بنابراین می‌توان از ویژگی‌های RQA برای تعیین خودکار سطح بیماری پارکینسون بهره گرفت. 

کلیدواژه‌ها

آزمون نواخت انگشتان
بیماری پارکینسون
تحلیل کمی بازرخداد

موضوعات

عنوان مقاله English

The Effect of Parkinson's Disease Progression on RQA Chaotic Features

نویسندگان English

Elham Hasani 1
Ali Maleki 2
1 M.Sc., Biomedical Engineering Department, Semnan University, Semnan, Iran
2 Associate Professor, Biomedical Engineering Department, Semnan University, Semnan, Iran
چکیده English

Parkinson's disease is a neurodegenerative disease that causes severe movement disorders including bradykinesia, rigidity, and tremors. There is no cure for Parkinson's disease, only the symptoms can be managed. Parkinson's disease is diagnosed using the MDS-UPDRS global grading scale. In this scale, four levels including slight, mild, moderate, and severe levels are defined for the disease. Recurrence plots and RQA features are tools for describing the behavior of chaotic systems and revealing hidden patterns in system dynamics. In this paper, the effect of Parkinson's disease progression on RQA chaotic features is studied. For this purpose, the dataset of the accelerometer mounted on the hand during the finger tapping test was used, which included 67 healthy data, 54 level one data, 66 level two data, 59 level three data, and 14 level four data. After pre-processing, the recurrence plots of the data were drawn and their RQA characteristics were calculated. Patterns of recurrence plots including separate recurrence points, diagonal lines, vertical lines, black squares, and horizontal and vertical white bands were investigated. According to the obtained results, the patterns of recurrence plots had significant differences among different levels of Parkinson's disease. Therefore, RQA features can be used to automatically determine the level of Parkinson's disease.

کلیدواژه‌ها English

Finger Tapping Test
Parkinson’s Disease
RQA Features
  1. Channa, R. Ifrim, D. Popescu, and N. Popescu, “A-WEAR Bracelet for Detection of Hand Tremor and Bradykinesia in Parkinson ’ s Patients,” Sensors, pp. 1–23, 2021.
  2. A. Muhamed, R. Newby, S. L. Smith, J. Alty, S. Jamieson, and P. Kempster, “Objective Evaluation of Bradykinesia in Parkinson’s Disease using Evolutionary Algorithms,” In Proceedings of the 11th International Joint Conference on Biomedical Engineering Systems and Technologies (BIOSTEC), vol. 4, no. Biostec, pp. 63–69, 2018.
  3. Luft et al., “Deficits in tapping accuracy and variability in tremor patients,” Journal of NeuroEngineering and Rehabilitation. vol. 6, pp. 1–11, 2019.
  4. Navada, D. Mishra, S. Parkar, P. Patil, and C. Jage, “Early Stage Detection of Parkinson Disease,” ITM Web of Conference, vol. 03050, pp. 1–5, 2021.
  5. E. Lacy, M. A. Lones, and S. L. Smith, “Characterisation of Movement Disorder in Parkinson ’ s Disease using Evolutionary Algorithms Categories and Subject Descriptors,” In Proceedings of the 15th annual conference companion on Genetic and evolutionary computation, pp. 1479–1485, 2013.
  6. Goetz et al., “Movement Disorder Society-Sponsored Revision of the Unified Parkinson’s Disease Rating Scale ( MDS-UPDRS ):Scale Presentation and Clinimetric Testing Results,” International Parkinson and Movement Disorder Society, vol. 23, no. 15, pp. 2129–2170, 2008.
  7. Akazawa, “Finger taps movement acceleration measurement system for quantitative diagnosis of Parkinson's disease,” 2006 International Conference of the IEEE Engineering in Medicine and Biology Society, no. June, 2014.
  8. Goetz, P. Martinez-martin, G. T. Stebbins, M. B. Stern, B. C. Tilley, and A. E. Lang, “MDS-UPDRS,” International Parkinson and Movement Disorder Society, vol. 1, no. 414, 2008.
  9. Webber and J. P. Zbilut, “RECURRENCE QUANTIFICATIONS: FEATURE EXTRACTIONS FROM RECURRENCE PLOTS,” International Journal of Bifurcation and Chaos, Vol. 17, No. 10, pp. 3467-3475, 2007.
  10. Marwan, M. Carmen Romano, M. Thiel, and J. Kurths, “Recurrence plots for the analysis of complex systems,” Physics Reports, vol. 438, no. 5–6. pp. 237–329, Jan. 2007.
  11. Meigal et al., “Linear and nonlinear tremor acceleration characteristics in patients with Parkinson’s disease,” Physiological Measurement, vol. 33, no. 3, pp. 395–412, 2012.
  12. Meigal, S. M. Rissanen, Y. R. Zaripova, G. G. Miroshnichenko, and P. Karjalainen, “Nonlinear parameters of surface electromyogram for diagnostics of neuromuscular disorders and normal conditions of the human motor system,” Human Physiology, vol. 41, no. 6. Maik Nauka Publishing / Springer SBM, pp. 672–679, Nov. 01, 2015.
  13. D. Pham, “Pattern analysis of computer keystroke time series in healthy control and early-stage Parkinson’s disease subjects using fuzzy recurrence and scalable recurrence network features,” Journal of Neuroscience Methods, vol. 307, pp. 194–202, 2018.
  14. Scheurich, A. P. Demos, A. Zamm, and B. Mathias, “Capturing Intra-and Inter-Brain Dynamics with Recurrence Quantification Analysis Status of Science View project Head Movements Encode Emotions View project,”CogSci, 2019.
  15. عرب زاده نسری، سعید و مالکی، علی و فلاح، علی،1396،ارایه معیار کمی پیوسته ای برای پارکینسون بر اساس معیار گسسته MDS-UPDRS،بیست و چهارمین کنفرانس ملی و دومین کنفرانس بین المللی مهندسی‌ زیست پزشکی ایران، 1396.
  16. علی مالکی، محمدرضا عقیلی، "دستگاه مبتنی بر شتاب‌سنج برای تشخیص خودکار بیماری پارکینسون،" اداره ثبت اختراعات، شماره ثبت 89408، 1393.
  17. Marwan: Cross Recurrence Plot Toolbox for MATLAB®, Ver. 5.24 (R34), from https://tocsy.pik-potsdam.de/CRPtoolbox/, accessed 2022-07-24.
  18. de Pedro-Carracedo, A.M. Ugena and A.P. Gonzalez-Marcos, “Phase space reconstruction from a biological time series,” Applied Science, 2020.
  19. B. J. Brinkgreve and S. Kumarswamy, “Reference Manual Reference Manual,” Technology (Singap World Sci), vol. 1, no. November, pp. 720–766, 2008.
  20. Little, P. McSharry, I. Moroz, and S. Roberts, “Nonlinear, biophysically-informed speech pathology detection,” ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, vol. 2, 2006.
  21. A. Little, P. E. McSharry, S. J. Roberts, D. A. E. Costello, and I. M. Moroz, “Exploiting nonlinear recurrence and fractal scaling properties for voice disorder detection,” BioMedical Engineering Online, vol. 6, pp. 1–35, 2007.
  22. V. Donner, J. Heitzig, J. F. Donges, Y. Zou, N. Marwan, J. Kurths, “The geometry of chaotic dynamics – a complex network perspective,” The European Physical Journal B, 2011.
  23. Martin-Gonzalez, J. L. Navarro-Mesa, G. Julia-Serda, G. M. Ramirez-Avila, A. G. Ravelo-Garcia, “Improving the understanding of sleep apnea characterization using Recurrence Quantification Analysis by defining overall acceptable values for the dimensionality of the system, the delay, and the distance threshold,”PLOS, 2018.
نشریه علمی مهندسی پزشکی زیستی
دوره 16، شماره 3
پاییز 1401
صفحه 207-218

  • تاریخ دریافت 27 مرداد 1401
  • تاریخ بازنگری 02 آذر 1401
  • تاریخ پذیرش 06 آذر 1401

صفحه اصلی

تماس با ما