Deep Learning for Automated Tic Detection and Prediction in Tourette Syndrome Using Electromyography and Video

Das Tourette-Syndrom ist eine neurologische Erkrankung, die durch plötzliche, unwillkürliche Bewegungen oder Laute gekennzeichnet ist, die als Tics bezeichnet werden. Für Menschen, die mit dieser Störung leben, können diese Tics von einem schnellen Augenzwinkern bis hin zu einem komplexen Schulterzucken oder einem vokalen Ausbruch reichen. Obwohl die Erkrankung gut bekannt ist, bleibt die genaue Messung in einem klinischen Umfeld schwierig. Derzeit verlassen sich Ärzte darauf, dass Patienten oder Pflegekräfte sich daran erinnern, wie oft Tics in der letzten Woche aufgetreten sind, oder sie beobachten kurze Videoclips, die in einer Praxis aufgenommen wurden. Beide Methoden sind unvollkommen; das menschliche Gedächtnis ist fehlbar, und ein kurzer Praxisbesuch könnte das volle Bild des täglichen Erlebens eines Patienten verpassen. Da Tics in ihrer Intensität schwanken und vorübergehend unterdrückt werden können, erfordert die objektive Erfassung ein Werkzeug, das kontinuierlich ohne Ermüdung beobachten und zuhören kann.

Forscher wenden sich zunehmend der Technologie zu, um dieses Problem zu lösen, indem sie Sensoren zur Aufzeichnung der Muskelaktivität und Kameras zur Aufzeichnung von Bewegungen einsetzen. Eine solche Anstrengung stammt von einem Team der University of Florida, das sich zum Ziel gesetzt hat, ein Computersystem zu entwickeln, das in der Lage ist, Tics in Echtzeit zu erkennen. Sie wollten wissen, ob künstliche Intelligenz lernen kann, zwischen einer ruhenden Person, einer gezielten Muskelbewegung und einem Tic zu unterscheiden, und zwar ausschließlich unter Verwendung der elektrischen Signale ihrer Muskeln und Videoaufnahmen ihres Körpers. Ihr Ziel war es, eine zuverlässige Methode zur Überwachung der Erkrankung zu schaffen, die es Ärzten letztlich ermöglichen könnte, Behandlungen anzupassen oder sogar Therapien automatisch auszulösen, wenn ein Tic kurz bevorsteht.

Das Team sammelte Daten von sechzehn Erwachsenen, bei denen das Tourette-Syndrom diagnostiziert worden war. Jede Person besuchte mehrmalig über einen Zeitraum von drei Monaten eine Klinik, wobei die Forscher die Muskelaktivität mithilfe von acht kleinen Sensoren, die an Armen und Hals platziert waren, aufzeichneten. Gleichzeitig filmte eine hochauflösende Kamera ihre Bewegungen. Um sicherzustellen, dass der Computer die richtigen Lektionen lernt, überprüften vier Experten das Videomaterial und markierten exakt, wann ein Tic auftrat, wann die Person ruhte und wann sie sich willkürlich bewegte. Die Forscher speisten diese gepaarten Daten – Muskelsignale und Video-Labels – in drei verschiedene Arten von Computermodellen ein, die darauf ausgelegt sind, Muster zu erkennen. Sie testeten diese Modelle auf zwei Arten: erstens, indem sie das Modell fragten, was im aktuellen Moment geschieht, und zweitens, indem sie es fragten, was im nächsten Moment passieren wird.

Ein wesentlicher Teil der Studie bestand darin, zu testen, wie viel Zeit der Computer benötigt, um eine Entscheidung treffen zu können. Die Forscher vermuteten anfänglich, dass der Computer am besten arbeiten würde, wenn er sehr kurze Zeitabschnitte betrachtete, vielleicht nur eine Sekunde, da Tics sehr kurz sind. Sie testeten Zeitfenster von einem, fünf und zehn Sekunden. Die Ergebnisse überraschten sie. Wenn die Aufgabe darin bestand, einen Tic zu erkennen, der bereits stattfindet, arbeitete der Computer am besten mit einem Fünf-Sekunden-Fenster. Das Modell konnte Tics mit einem AUC-Wert von 0,79 in diesem längeren Zeitrahmen identifizieren, was darauf hindeutet, dass sich die elektrische Signatur eines Tics über einige Sekunden entfaltet und einen gewissen Kontext benötigt, um klar erkannt zu werden. Im Gegensatz dazu arbeitete der Computer am besten mit dem kürzesten, einsekündigen Fenster, wenn er versuchte, einen Tic vorherzusagen, bevor er eintritt. Dies deutet darauf hin, dass die Warnzeichen eines bevorstehenden Tics sehr aktuell und flüchtig sind und das System erfordern, sich auf die unmittelbare Vergangenheit statt auf eine längere Historie zu konzentrieren.

Die Studie ergab, dass die Computermodelle im Allgemeinen besser darin waren, einen Tic während seines Auftretens zu entdecken, als einen vor seinem Eintreten vorherzusagen. Das erfolgreichste Modell zur Detektion, das einen spezifischen Typ von neuronalem Netzwerk zur Verarbeitung zeitbasierter Daten verwendete, erreichte einen AUC-Wert von 0,79. Obwohl dies ein starkes Ergebnis ist, merkten die Forscher an, dass das System noch nicht perfekt ist. Die Modelle hatten größere Schwierigkeiten bei der Vorhersage zukünftiger Tics, und ihre Leistung variierte je nach Länge des analysierten Zeitfensters. Das Team beobachtete zudem, dass die Computermodelle am besten lernten, wenn sie mit Daten trainiert wurden, bei denen die Muskelsignale mit den Experten-Video-Labels abgeglichen wurden, anstatt sich nur auf die Muskelsignale zu verlassen.

Die Forscher wiesen sorgfältig auf die Grenzen ihrer Arbeit hin. Die Daten stammten aus einer spezifischen Gruppe von Patienten, die sich bereits einer Tiefen Hirnstimulation unterzogen hatten, was bedeuten kann, dass ihre Muskelsignale sich von denen der Allgemeinbevölkerung unterscheiden könnten. Die Sensoren wurden an Armen und Hals platziert, was bedeutet, dass das System keine vokalen Tics oder Gesichtstics erkennen konnte, die nicht diese spezifischen Muskeln involvierten. Darüber hinaus waren sich die Experten, die die Videodaten etikettierten, nicht immer vollkommen einig darüber, wann genau ein Tic begann oder endete, was eine gewisse Unsicherheit in den Trainingsprozess einbrachte. Trotz dieser Einschränkungen liefert die Studie einen klaren Maßstab für das Mögliche. Sie legt nahe, dass ein System zur Erkennung von Tics einige Sekunden an Daten benötigt, um sicher zu sein, aber für die Vorhersage von Tics unmittelbar auf die jüngsten Signale reagieren muss.

Diese Arbeit legt den Grundstein für zukünftige Werkzeuge, die das Tourette-Syndrom kontinuierlich und objektiv überwachen könnten. Anstatt sich auf das Gedächtnis oder kurze Klinikbesuche zu verlassen, könnte ein auf diesen Erkenntnissen basierendes System potenziell den Zustand einer Person über Tage oder Wochen verfolgen und so ein vollständiges Bild ihrer Symptome liefern. Während die aktuellen Modelle noch nicht für den täglichen Gebrauch bereit sind, zeigt die Studie, dass die Kombination aus Muskelsensoren, Videoanalyse und künstlicher Intelligenz einen vielversprechenden Weg ebnet. Indem sie genau verstehen, wie viel Zeit der Computer benötigt, um einen Tic zu erkennen, und wie sich dieser von einer willkürlichen Bewegung unterscheidet, können Wissenschaftler damit beginnen, Systeme zu entwerfen, die helfen, die Erkrankung effektiver zu managen – und so näher an eine Zukunft rücken, in der Behandlungen basierend auf Echtzeitdaten statt auf Schätzungen angepasst werden können.