Algorithmes de détection des maladies neurodégénératives à partir de la démarche d'un individu

Le diagnostic des maladies neurodégénératives est un défi en médecine. Il repose principalement sur l'interprétation des symptômes par les médecins. Il existe donc un besoin important d'outils automatiques pouvant assister les médecins dans leurs prises de décision. Dans ce contexte, l'objectif de ce travail est de développer des algorithmes de détection des maladies neurodégénératives à partir des données de la démarche des patients. Dans un premier temps, nous avons développé un algorithme de détection de la maladie du Parkinson. En entrée, l'algorithme utilise les forces de réaction verticale du sol (vertical ground reaction force-VGRF) enregistrées par plusieurs capteurs placés sous les pieds. La première composante de notre algorithme est constituée de 18 réseaux neuronaux convolutifs 1D (1D-Convnets) parallèles, traitant chacun un signal de VGRF. Chacun de ces 1D-Convnets extrait un vecteur de caractéristiques propre au signal traité. Ensuite, tous ces vecteurs de caractéristiques sont concaténés et envoyés à un réseau pleinement connecté qui les intègre et donne en sortie la classification finale. L'algorithme a été comparé à d'autres méthodes récentes dans la littérature et a démontré une amélioration de la précision de classification. Dans un deuxième temps, nous avons utilisé les données spatio-temporelles de la démarche pour développer quatre détecteurs de maladies neurodégénératives : détecteur de Parkinson, de Huntington, de sclérose latérale amyotrophique et un détecteur de l'ensemble de ces maladies neurodégénératives combinées. Puisque la base de données était de taille réduite, nous avons utilisé les algorithmes d'apprentissage machine classiques. Pour ce faire, nous avons extrait les caractéristiques de l'amplitude et de la dynamique des fluctuations des données spatio-temporelles. Ensuite, nous avons entraîné différents classificateurs à classifier ces vecteurs. Les meilleurs résultats ont été obtenus avec une machine à support de vecteurs. Les résultats obtenus confirment la performance des algorithmes développés. Ceux-ci pourraient être utilisés en milieu clinique dans le but d'effectuer des tests précoces pour identifier les patients qui peuvent être atteints de maladies neurodégénératives.

Abstract

Neurodegenerative disease diagnosis is still a very challenging problem in medicine. It relies mainly on physician expertise and interpretation of patient's physical symptoms. Therefore, there is a great need for automatic tools that can assist physicians in their decision making. In this context, the objective of this research work is to develop algorithms for the detection of neurodegenerative diseases. First, we developed a detection algorithm for Parkinson's disease. As input, the algorithm uses vertical ground reaction forces (VGRF) recorded from several sensors placed under the subjects' feet. The first component of our algorithm consists of 18 parallel 1D convolution neural networks (1D-Convnets), each processing a VGRF signal. Each of these convolution networks extracts a feature vector of the processed signal. Then, all these feature vectors are concatenated and sent to a fully connected network that integrates them and outputs the final classification. The algorithm has been compared to recent state-of-the-art methods and has shown an improved classification accuracy. Second, we used spatiotemporal data of gait to develop four detectors of neurodegenerative diseases: a detector of Parkinson, Huntington, of amyotrophic lateral sclerosis and a detector of all these neurodegenerative diseases combined. Since the database was smaller, we explored classic machine learning algorithms. We first extracted fluctuation magnitudes and dynamic features of the spatiotemporal data. Then we trained different classifiers to classify these vectors. The best results were obtained with a support vector machine. The obtained results confirm the performance of our algorithms. Our method could be used clinically to screen patients in order to identify those who may potentially have neurodegenerative diseases.