Interpretable Multiclass Parkinson’s Disease Classification from Single-Camera Video Using Kinematic and Nonlinear Dynamic Features

Technisches Resümee: Interpretierbare Multiklassen-Klassifizierung der Parkinson-Krankheit aus Single-Camera-Video

Problemstellung
Die Parkinson-Krankheit (PD) ist eine progressive neurologische Erkrankung, die durch motorische Symptome wie Gangstörungen, Bradykinesie und Rigidität gekennzeichnet ist. Während klinische Skalen wie die UPDRS den Standard in der Beurteilung darstellen, sind diese subjektiv und oft unempfindlich gegenüber subtilen Gangveränderungen. Bestehende objektive Methoden, wie etwa Motion Capture oder Kraftmessplatten, sind zwar genau, aber teuer und für den Routinegebrauch unpraktisch. Bildbasierte Ansätze bieten eine kontaktlose Alternative, doch die aktuelle Literatur weist drei beständige Lücken auf:

1. Die meisten Studien rahmen die PD-Erkennung als binäre Aufgabe (PD vs. Gesund) ein und vernachlässigen dabei die klinisch kritische Aufgabe der Schweregrad-Stufung (z. B. die Unterscheidung zwischen leichter und moderater PD).
2. Obwohl nichtlineare dynamische Metriken (z. B. fraktale Dimension, Entropie) als sensitive Biomarker validiert wurden, bleibt deren Integration in eine interpretierbare Multiklassen-Klassifizierungspipeline bisher unerforscht.
3. Öffentlich verfügbare PD-Gangdatensätze sind typischerweise klein, imbalanciert und mangeln an Diversität, was zu einem hohen Risiko optimistischer Leistungsberichte führt, wenn die Evaluierungsprotokolle nicht streng gestaltet sind, um Data Leakage zu verhindern.

Methodik
Die Autoren schlagen ein Single-Camera-Markerless-Framework vor, das kinematische und nichtlineare dynamische Merkmale aus einer videobasierten Pose-Estimation extrahiert, um den Gang in drei Kategorien zu klassifizieren: Gesund (NM), leichte PD (PD_ML) und moderate PD (PD_MD).

• Datenerfassung & Vorverarbeitung: Die Studie nutzt einen öffentlichen Datensatz (Kour et al., 2020, 2022), der 78 nutzbare Videosequenzen enthält (57 NM, 10 PD_ML, 11 PD_MD). Die Videos wurden mit 25 fps mit einer stationären RGB-Kamera aufgenommen. Die Pose-Estimation wurde mittels MediaPipe Holistic durchgeführt, um 33 anatomische Landmarken zu extrahieren, wobei der Fokus auf oberen und unteren Extremitätengelenken lag.
• Merkmalsextraktion:
  • Kinematische Merkmale: Sechs Stride-Level-Deskriptoren, einschließlich Schrittzeit (stride time), Schwungphase (swing time), Standphase (stance time), Schrittlänge (stride length) und Schrittgeschwindigkeit (stride velocity).
  • Nichtlineare dynamische (NLD) Merkmale: Vier Metriken, die aus den 2D-Gelenkkoordinaten-Zeitserien berechnet wurden: Hurst-Exponent (H), Lempel-Ziv-Komplexität (LZC), Detrended Fluctuation Analysis (DFA) und Box-Counting-Dimension (D).
  • Dies resultierte in einem anfänglichen 46-dimensionalen Merkmalsraum (40 NLD + 6 Kinematik).
• Merkmalsauswahl: Um die geringe Stichprobengröße zu adressieren und Overfitting zu vermeiden, setzten die Autoren eine strikte Nested-Cross-Validation-Pipeline ein. Die Merkmalsauswahl erfolgte mittels Ordinary Least Squares (OLS)-Kriterien (Mallows' Cp, AIC, BIC, Adjusted R²) auf einem temporär rekodierten binären Zielwert (NM vs. PD), um optimale Teilmengen zu identifizieren. Dies ergab drei feste Merkmalssets:
  • Fall 1: 7 Merkmale (Cp/BIC)
  • Fall 2: 9 Merkmale (AIC)
  • Fall 3: 19 Merkmale (Adjusted R²)
• Modelltraining & Evaluierung: Drei Machine-Learning-Modelle wurden evaluiert: Random Forest (RF), Support Vector Machine (SVM) mit RBF-Kernel und ein Feed-forward Neural Network (NN).
  • Validierungsprotokoll: Eine wiederholte stratifizierte 5-fache Kreuzvalidierung (10 Wiederholungen) wurde verwendet. Entscheidend war, dass alle Vorverarbeitungsschritte (Skalierung, SMOTE zur Klassenbalancierung) nur innerhalb der Trainings-Folds durchgeführt wurden, um Informationsleckagen zu verhindern.
  • Interpretierbarkeit: Die Merkmalswichtigkeit wurde mittels Permutation Importance (für RF) und SHAP-Werten (für SVM und NN) analysiert.
  • Ablationsstudie: Die Modelle wurden auf Kinematik-only, NLD-only und kombinierten Merkmalssets getestet.

Wesentliche Beiträge

1. Multiklassen-Schweregrad-Stufung: Die Arbeit demonstriert die Machbarkeit der Unterscheidung zwischen gesunden, leichten und moderaten PD-Stadien unter Verwendung von Pose-geschätzten Gangmerkmalen und geht damit über die binäre Detektion hinaus.
2. Integration nichtlinearer Dynamik: Die Studie identifiziert, dass nichtlineare dynamische Deskriptoren, insbesondere jene, die von distalen Gelenken (Handgelenk, Knöchel, Ellbogen) abgeleitet werden, den Großteil der ausgewählten Merkmale ausmachen und als starke Kandidaten-Biomarker für die Gangvariabilität bei PD dienen.
3. Rigoroses Evaluierungsframework: Die Autoren implementieren eine strikt geschachtelte Cross-Validation-Pipeline, die Merkmalsauswahl und Resampling innerhalb der Folds begrenzt und so eine unverzerrte Leistungsschätzung in einer datenarmen Umgebung gewährleistet.

Ergebnisse

• Leistung: Auf dem gehaltenen Testset (ca. 16 Proben) erreichten alle Modelle eine hohe Genauigkeit.
  • Fall 2 (9 Merkmale): Alle drei Modelle (RF, SVM, NN) erreichten eine Genauigkeit von 100 % sowie perfekte Präzision und Recall über alle Klassen hinweg auf dem Testset.
  • Fall 1 & 3: Die Modelle erreichten eine Genauigkeit von 93,75 %, wobei Fehler primär bei der Unterscheidung der Minderheitenklassen (PD_ML oder PD_MD) auftraten.
  • Kreuzvalidierung: Die SVM mit RBF-Kernel erreichte die höchste mittlere Kreuzvalidierungsgenauigkeit (0,8366), während das Neural Network eine ähnliche Genauigkeit (0,8338) bei geringerer Varianz erzielte.
• Merkmalswichtigkeit:
  • Nichtlineare dynamische Merkmale dominierten die ausgewählten Subsets (zwischen 71 % und 84 % der Merkmale in den Fällen).
  • Zu den wichtigsten Beitragsleistenden gehörten die Schrittlänge (kinematisch) sowie NLD-Metriken wie der Hurst-Exponent (Handgelenk), die Lempel-Ziv-Komplexität (Knöchel) und die DFA (Knie/Schulter).
  • Ablationsstudien zeigten, dass kinematische Merkmale zwar die Genauigkeit in kleineren Sets trieben, das kombinierte Merkmalsset jedoch konsistent die stabilste und ausgewogenste Leistung bot (höchster Macro-F1 und AUC).
• Recheneffizienz: Die SVM wies die geringsten Trainings- und Inferenzzeiten auf, was sie für Echtzeitanwendungen geeignet macht. Neural Networks verursachten signifikant höhere Rechenkosten, blieben jedoch in einem akzeptablen Bereich für die klinische Offline-Nutzung.

Bedeutung und Ansprüche
Das Paper behauptet, eine Grundlage für skalierbare, KI-gestützte Gangbeurteilung in der neuromotorischen Gesundheitsversorgung zu schaffen. Seine primäre Bedeutung liegt in dem Nachweis, dass eine interpretierbare Multiklassen-Klassifizierung des Parkinson-Gangs mittels Standard-Single-Camera-Video ohne spezialisierte Hardware möglich ist.

Die Autoren merken bescheiden an, dass die vielversprechenden Ergebnisse, jedoch auch die kleine und imbalancierte Natur des Datensatzes, die Stärke der Generalisierungsansprüche einschränken. Sie betonen, dass die nichtlinearen Metriken als empirische Deskriptoren der Gangvariabilität und nicht als mechanistische Erklärungen neurologischer Prozesse fungieren. Folglich plädieren die Autoren für zukünftige Arbeiten, die größere, unabhängige Kohorten einbeziehen und demografische Kovariaten (Alter, Größe) integrieren, um diese Befunde zu validieren und den klinischen Nutzen dieser digitalen Biomarker zu verfeinern. Das Framework wird als eine vielseitige Plattform präsentiert, die auf andere Gangpathologien erweiterbar ist und die Lücke zwischen komplexer Gangdynamik und klinisch verwertbaren Erkenntnissen schließt.