Gait Cueing Wearable for Parkinson's Disease Patients

Abstract

Congelamento da Marcha (FoG) é um distúrbio recorrente da marcha que afeta pacientes em estágios avançados da Doença de Parkinson (PD). Este sintoma é caracterizado por um bloqueio abrupto do movimento de avanço, explicado pelos pacientes como se estivessem com os pés colados ao chão. Portanto, FoG é normalmente causa de quedas que levam à perda de independência e redução da qualidade de vida. As quedas traumáticas são uma das causas mais comuns de internamentos hospitalares nos pacientes com PD.Os sistemas vestíveis com deteção de FoG têm vindo a ser desenvolvidos para ajudar os pacientes a retomar a marcha, através de estratégias envolvendo pistas sensoriais. No entanto, métodos recentemente automatizados para deteção de FoG e entrega de estímulos sensoriais estão longe de ser ideais. Além disso, problemas como o alto custo dos sistemas, desconforto do paciente e o fato de o equipamento ser visível para outras pessoas impedem uma adoção mais ampla de tais sistemas que poderiam ser benéficos para os pacientes.Um dispositivo vestível, inteligente e confortável que fornecesse estímulos discretos após o início dos episódios de FoG ajudaria os pacientes a lidar com esse sintoma e recuperar parte da sua qualidade de vida. Além disso, uma quantificação objetiva com monitorização dos episódios de FoG e da mobilidade geral do paciente melhorariam a abordagem terapêutica.Nesta dissertação é proposto e implementado um sistema vestível capaz de monitorização de marcha, de detetar FoG e fornecer automaticamente estímulos sensoriais adequados. Isto incluindo tanto a implementação de um hardware composto por sensores inerciais e estimuladores hápticos, quanto o desenvolvimento de um algoritmo de aprendizagem supervisionado para deteção de FoG através de dados adquiridos de sensores inerciais.As componentes de frequência do movimento corporal são destacadas no treino do classificador para diferenciação entre FoG e marcha normal. Neste estudo, comparamos os benefícios de um modelo específico para cada paciente versus um modelo de classificação mais genérico. Estes modelos foram desenvolvidos usando uma base de dados disponível online – DAPHNet – com dados inerciais semelhantes aos coletados posteriormente pelo dispositivo vestível proposto. Num universo de oito pacientes, nesta base de dados, obtivemos melhores resultados para o modelo específico com uma média de especificidade de 84.6±4.5%, sensibilidade de 86.8±4.4% e valor de F1 de 55.5±11.2%. Além disso, o sistema desenvolvido foi testado por dois pacientes com doença de Parkinson a fim de investigar a usabilidade do sistema.

Freezing of Gait (FoG) is a recurrent gait impairment experienced by patients in advanced stages of Parkinson’s Disease (PD). This symptom is characterized by an abrupt blocking of forwarding movement, explained by patients as if having feet glued to the ground. Therefore, FoG is usually the cause of falls that leads to disability, loss of independence and reduced quality of life. Traumatic falls are one of the most common causes of hospital admissions among PD patients.Wearable systems with FoG detection have been developed to assist patients in resuming walking by resourcing to cueing strategies. Nonetheless, recently automated methods for detecting FoG and delivering cueing stimuli are far from ideal. As well, problems such as the high cost of the systems, patient discomfort and the fact that the equipment is visible to others are preventing wider and more frequent adoption of such systems which could be beneficial to patients.A comfortable smart wearable that provided discrete cueing stimulus delivery after the onset of FoG episodes would help patients handle this symptom and regain some of their quality of life. Additionally, objective quantification and monitoring of FoG episodes and the patient's overall mobility would improve the clinician’s management of the therapeutic approach.In this dissertation, a miniaturized gait-monitoring wearable capable of detecting FoG and automatically delivering adequate sensory stimuli is proposed and implemented. This includes both implementation of a hardware composed of inertial sensors, and haptic stimulators, as well as development of a supervised learning algorithm for FoG detection through data acquired from inertial sensors. The frequency components of body motion are emphasized as the preferred features for training the classifier and differentiation between FoG and normal walking. In this study, we compare the benefits of a patient-specific model versus a more generic classification model. These experiments were developed using an online-available dataset – DAPHNet – with similar inertial data to the one collected later by the proposed wearable. With a universe of eight patients in this dataset, we obtained better results for the patient-specific model with an average specificity of 84.6±4.5%, sensitivity of 86.8±4.4% and F1 score of 55.5±11.2%. In addition, the developed system was tested by two Parkinson’s disease patients in order to investigate the usability of the system.