Advertisement

Der Nervenarzt

, Volume 82, Issue 12, pp 1604–1611 | Cite as

Mobile biometrische Ganganalyse

Potenzial für Diagnose und Therapiemonitoring beim Parkinson-Syndrom
  • J. KluckenEmail author
  • J. Barth
  • K. Maertens
  • B. Eskofier
  • P. Kugler
  • R. Steidl
  • J. Hornegger
  • J. Winkler
Originalien

Zusammenfassung

Hintergrund

Das idiopathische Parkinson-Syndrom (IPS) ist durch zunehmende motorische und nichtmotorische Symptome charakterisiert, die das jeweilige Krankheitsstadium definieren und unterschiedliche diagnostische und therapeutische Herausforderungen darstellen.

Material und Methoden

Es wurde eine mobile, rechnergestützte, biosensorische Ganganalyse an Patienten im frühen und mittleren Krankheitsstadium im Vergleich zu Kontrollen getestet. Standardisierte Ganguntersuchungen wurden mit am Schuh angebrachten Bewegungssensoren durchgeführt. Die erzeugten Beschleunigungs- und Drehsignale wurden mittels Verfahren der Mustererkennung analysiert.

Ergebnisse

Es konnte eine Unterscheidung zwischen Patienten und Kontrollen erzielt, Patienten in einem frühen Stadium identifiziert und eine krankheitsstadiumspezifische Zuordnung getroffen werden.

Schlussfolgerung

Im Rahmen dieser Studie zeigte sich, dass mobile, biometrische Ganganalysesysteme in der Lage sind, objektivierbare Aussagen über die Gangstörungen beim IPS zu treffen. Diese automatisierte Ganganalyse kann somit sowohl bei der Früherkennung des IPS als auch in der Verlaufsbeurteilung beim Auftreten von motorischen Fluktuationen in der Alltagsumgebung des Patienten hilfreich eingesetzt werden. Durch mobile Bewegungsanalysesysteme werden Patienten, Angehörige und Therapeuten bei der Beurteilung und Therapie von Gangstörungen optimal unterstützt.

Schlüsselwörter

Parkinson-Syndrom Gangstörung Ganganalyse Mustererkennung Biosensorik 

Mobile biosensor-based gait analysis

A diagnostic and therapeutic tool in Parkinson’s disease

Summary

Parkinson’s disease (PD) is characterized by progressive motor and non-motor symptoms, leading to distinct diagnostic and therapeutic challenges in all stages of the disease. This study investigated a mobile biosensor-based gait analysis system for patients in early and intermediate stages of PD compared to controls. Subjects wearing a motion sensor-equipped shoe performed a standardized gait exercise. Accelerometer- and gyroscope-based signals were analysed using a complex set of pattern recognition algorithms. The analysis was able (1) to distinguish between PD patients and controls, (2) to identify patients at an early stage of the disease and (3) to distinguish between early and intermediate stage patients. Thus, using this mobile biosensor-based analysis system we were able to obtain objective classifications of gait characteristics in PD. Future studies will show that mobile biosensor-based movement detection technology will support identification of early PD stages and allow objective characterization of motor fluctuations in advanced stages of the disease. This will provide an important and supportive tool for patients, caregivers and therapists.

Keywords

Parkinson’s disease Gait disorder Gait analysis Pattern recognition Biosensor system 

Notes

Danksagung

Die Studie wurde durch die ELAN-Förderung (Erlanger Leistungsbezogene Anschubfinanzierung und Nachwuchsförderung – AZ: 1008.17.1) unterstützt. Die Schuhe wurden vom Sportartikelhersteller adidas AG® zu Verfügung gestellt. Wir danken allen Teilnehmern an der Studie.

Interessenkonflikt

Der korrespondierende Autor gibt an, dass kein Interessenkonflikt besteht.

Literatur

  1. 1.
    Bachlin M, Plotnik M, Roggen D et al (2010) A wearable system to assist walking of Parkinson’s disease patients. Methods Inf Med 49:88–95PubMedGoogle Scholar
  2. 2.
    Dorsey ER, Constantinescu R, Thompson JP et al (2007) Projected number of people with Parkinson’s disease in the most populous nations, 2005 through 2030. Neurology 68:384–386PubMedCrossRefGoogle Scholar
  3. 3.
    Duda RO, Hart PE, Stork DG (2000) Pattern Classification. 2. ed. Wiley InterScienceGoogle Scholar
  4. 4.
    Fukunaga K, Kessell DL (1971) Estimation of classification error. Computers, IEEE Transactions on 100:1521–1527Google Scholar
  5. 5.
    Goetz CG, Poewe W, Rascol O et al (2004) Movement Disorder Society Task Force report on the Hoehn and Yahr staging scale: status and recommendations. Mov Disord 19:1020–1028PubMedCrossRefGoogle Scholar
  6. 6.
    Group PS (1998) Mortality in DATATOP: a multicenter trial in early Parkinson’s disease. Ann Neurol 43:318–325CrossRefGoogle Scholar
  7. 7.
    Hastie P (2003) The Elements of Statistical Learning. Springer, HeidelbergGoogle Scholar
  8. 8.
    Jovanov E, Wang E, Verhagen L et al (2009) defog – A real time system for detection and unfreezing of gait of Parkinson’s patients. Conf Proc IEEE Eng Med Biol Soc 5151–5154Google Scholar
  9. 9.
    Kostic V, Przedborski S, Flaster E et al (1991) Early development of levodopa-induced dyskinesias and response fluctuations in young-onset Parkinson’s disease. Neurology 41:202–205PubMedGoogle Scholar
  10. 10.
    Moessnang C, Frank G, Bogdahn U et al (2010) Altered activation patterns within the olfactory network in Parkinson’s disease. Cereb Cortex [Epub ahead of print]Google Scholar
  11. 11.
    Mutch WJ, Strudwick A, Roy SK et al (1986) Parkinson’s disease: disability, review, and management. Br Med J (Clin Res Ed) 293:675–677CrossRefGoogle Scholar
  12. 12.
    Patel S, Lorincz K, Hughes R et al (2009) Monitoring motor fluctuations in patients with Parkinson’s disease using wearable sensors. IEEE Trans Inf Technol Biomed 13:864–873PubMedCrossRefGoogle Scholar
  13. 13.
    Patel S, Lorincz K, Hughes R et al (2007) Analysis of feature space for monitoring persons with Parkinson’s disease with application to a wireless wearable sensor system. Conf Proc IEEE Eng Med Biol Soc:6291–6294Google Scholar
  14. 14.
    Shannon CE (1948) The mathematical theory of communication. 1963. MD computing computers in medical practice 27:306–317Google Scholar
  15. 15.
    Steffen T, Seney M (2008) Test-retest reliability and minimal detectable change on balance and ambulation tests, the 36-item short-form health survey, and the unified Parkinson disease rating scale in people with parkinsonism. Phys Ther 88:733–746PubMedCrossRefGoogle Scholar
  16. 16.
    Theodoridis S, Koutroumbas K (2008) Pattern Recognition, 4. Aufl. Academic PressGoogle Scholar
  17. 17.
    Weiss A, Herman T, Plotnik M et al (2010) Can an accelerometer enhance the utility of the Timed Up & Go Test when evaluating patients with Parkinson’s disease? Med Eng Phys 32:119–125PubMedCrossRefGoogle Scholar
  18. 18.
    Winkler J, Ehret R, Büttner T et al (2011) Parkinson’s disease risk score: moving to a premotor diagnosis. J Neurol 258:311–315CrossRefGoogle Scholar
  19. 19.
    Winner B, Winkler J (2004) Parkinson-Syndrom. In: Winkler J, Ludolph AC (Hrsg) Neurodegenerative Erkrankungen des Alters. Georg Thieme, Stuttgart, S 139–212Google Scholar
  20. 20.
    Zung WWK (1994) Self Rating Depression Scale. In: Scalarum CIP (Hrsg) Internationale Skalen für Psychiatrie. Beltz Test GmbH, Göttingen, S 101–103Google Scholar

Copyright information

© Springer-Verlag 2011

Authors and Affiliations

  • J. Klucken
    • 1
    Email author
  • J. Barth
    • 1
    • 2
    • 3
  • K. Maertens
    • 1
  • B. Eskofier
    • 2
  • P. Kugler
    • 2
  • R. Steidl
    • 3
  • J. Hornegger
    • 2
  • J. Winkler
    • 1
  1. 1.Abteilung für Molekulare Neurologie und Spezialambulanz für Bewegungsstörungen in der Neurologischen KlinikUniversitätsklinikum ErlangenErlangenDeutschland
  2. 2.Lehrstuhl für Mustererkennung (Informatik 5)Friedrich-Alexander-Universität Erlangen-NürnbergNürnbergDeutschland
  3. 3.ASTRUM IT GmbHErlangenDeutschland

Personalised recommendations