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

Technische Samenvatting: Interpreteerbare Multiclass Classificatie van de Parkinson-ziekte vanuit Single-Camera Video

Probleemstelling
De ziekte van Parkinson (PD) is een progressieve neurologische aandoening die wordt gekenmerkt door motorische symptomen zoals gangstoornissen, bradykinesie en rigiditeit. Hoewel klinische schalen zoals de UPDRS de standaard zijn voor beoordeling, zijn deze subjectief en vaak ongevoelig voor subtiele veranderingen in het looppatroon. Bestaande objectieve methoden, zoals bewegingsanalyse met markers en krachtplatforms, zijn accuraat maar duur en onpraktisch voor routinematig gebruik. Visuele benaderingen bieden een contactloos alternatief, maar de huidige literatuur kampt met drie hardnekkige hiaten:

1. De meeste studies kaderen PD-detectie als een binaire taak (PD versus Gezond), waarbij de klinisch cruciale taak van ernst-stadiëring (bijv. het onderscheid tussen milde versus matige PD) wordt genegeerd.
2. Hoewel niet-lineaire dynamische metrieken (bijv. fractale dimensie, entropie) gevalideerd zijn als gevoelige biomarkers, blijft hun integratie in een interpreteerbare, multiclass classificatie-pipeline onverkend.
3. Publiekelijk beschikbare PD-gait datasets zijn doorgaans klein, ongebalanceerd en missen diversiteit, wat leidt tot een hoog risico op optimistische prestatieschattingen als evaluatieprotocollen niet strikt ontworpen zijn om datalekken te voorkomen.

Methodologie
De auteurs stellen een single-camera, markerloze framework voor die kinematische en niet-lineaire dynamische kenmerken extraheert uit video-gebaseerde pose-estimatie om het looppatroon te classificeren in drie categorieën: Gezond (NM), Milde PD (PD_ML) en Matige PD (PD_MD).

• Data-acquisitie & Preprocessing: De studie maakt gebruik van een publieke dataset (Kour et al., 2020, 2022) bestaande uit 78 bruikbare videosamples (57 NM, 10 PD_ML, 11 PD_MD). Videos werden opgenomen met 25 fps met een vaste RGB-camera. Pose-estimatie werd uitgevoerd met MediaPipe Holistic om 33 anatomische landmarks te extraheren, met de focus op boven- en onderste extremiteitgewrichten.
• Kenmerkextractie (Feature Extraction):
  • Kinematische Kenmerken: Zes stride-niveau beschrijvers waaronder stride tijd, swing tijd, stance tijd, stride lengte en stride snelheid.
  • Niet-lineaire Dynamische (NLD) Kenmerken: Vier metrieken berekend uit 2D gewrichtscoördinaten-tijdreeksen: Hurst Exponent (H), Lempel–Ziv Complexiteit (LZC), Detrended Fluctuation Analysis (DFA) en Box-Counting Dimensie (D).
  • Dit resulteerde in een initiële 46-dimensionale kenmerkruimte (40 NLD + 6 Kinematisch).
• Kenmerkselectie (Feature Selection): Om de kleine steekproefomvang aan te pakken en overfitting te voorkomen, gebruikten de auteurs een strikte nested cross-validatie pipeline. Kenmerkselectie werd uitgevoerd met behulp van Ordinary Least Squares (OLS) criteria (Mallows' Cp, AIC, BIC, Adjusted R²) op een tijdelijk hercodeerde binaire target (NM versus PD) om optimale subsets te identificeren. Dit leverde drie vaste kenmerkensets op:
  • Case 1: 7 kenmerken (Cp/BIC)
  • Case 2: 9 kenmerken (AIC)
  • Case 3: 19 kenmerken (Adjusted R²)
• Modeltraining & Evaluatie: Drie machine learning modellen werden geëvalueerd: Random Forest (RF), Support Vector Machine (SVM) met RBF-kernel, en een Feed-forward Neuraal Netwerk (NN).
  • Validatieprotocol: Een herhaalde gestratificeerde 5-voudige cross-validatie (10 herhalingen) werd gebruikt. Cruciaal is dat alle preprocessing stappen (scaling, SMOTE voor klasse-balancering) alleen binnen de trainingsfolds werden uitgevoerd om informatielekkage te voorkomen.
  • Interpreteerbaarheid: Kenmerkbelang (feature importance) werd geanalyseerd met behulp van Permutation Importance (voor RF) en SHAP-waarden (voor SVM en NN).
  • Ablatie-studie: Modellen werden getest op Kinematisch-alleen, NLD-alleen, en Gecombineerde kenmerkensets.

Belangrijkste Bijdragen

1. Multiclass Ernst-stadiëring: Het werk demonstreert de haalbaarheid van het onderscheiden tussen gezonde, milde en matige PD-stadia met behulp van pose-geëstimeerde gait-kenmerken, waarmee verder wordt gegaan dan binaire detectie.
2. Integratie van Niet-lineaire Dynamica: De studie identificeert dat niet-lineaire dynamische beschrijvers, met name die afgeleid van distale gewrichten (pols, enkel, elleboog), de meerderheid van de geselecteerde kenmerken vormen en dienen als sterke kandidaat-biomarkers voor de variabiliteit in het looppatroon bij PD.
3. Rigoureus Evaluatiekader: De auteurs implementeren een strikt nested cross-validatie pipeline die kenmerkselectie en resampling binnen de folds beperkt, wat zorgt voor een onbevooroordeelde prestatieschatting in een omgeving met schaarse data.

Resultaten

• Prestaties: Op de gehouden testset (ca. 16 samples) bereikten alle modellen een hoge nauwkeurigheid.
  • Case 2 (9 kenmerken): Alle drie de modellen (RF, SVM, NN) behaalden 100% nauwkeurigheid en perfecte precisie/recall over alle klassen op de testset.
  • Case 1 & 3: Modellen behaalden 93,75% nauwkeurigheid, waarbij fouten primair optraden bij het onderscheiden van de minderheidsklassen (PD_ML of PD_MD).
  • Cross-Validatie: De SVM met RBF-kernel behaalde de hoogste gemiddelde cross-validatie nauwkeurigheid (0,8366), terwijl het Neuraal Netwerk een vergelijkbare nauwkeurigheid bereikte (0,8338) met een lagere variantie.
• Kenmerkbelang (Feature Importance):
  • Niet-lineaire dynamische kenmerken domineerden de geselecteerde subsets (variërend van 71% tot 84% van de kenmerken over de verschillende cases).
  • Belangrijke bijdragers waren onder meer stride lengte (kinematisch) en NLD-metrieken zoals de Hurst exponent (pols), Lempel–Ziv complexiteit (enkel) en DFA (knie/schouder).
  • Ablatie-studies toonden aan dat hoewel kinematische kenmerken de nauwkeurigheid dreven in kleinere sets, de gecombineerde kenmerkenset consistent de meest stabiele en gebalanceerde prestaties bood (hoogste Macro-F1 en AUC).
• Computationele Efficiëntie: SVM vertoonde de laagste trainings- en inferentietijden, wat het geschikt maakt voor real-time toepassingen. Neurale Netwerken brachten aanzienlijk hogere computationele kosten met zich mee, maar bleven binnen acceptabele grenzen voor offline klinisch gebruik.

Betekenis en Claims
Het artikel claimt een fundament te bieden voor schaalbare, AI-ondersteunde gait-beoordeling in de neuromotorische gezondheidszorg. De primaire betekenis ligt in het aantonen dat interpreteerbare, multiclass classificatie van Parkinsoniaanse gait haalbaar is met standaard single-camera video zonder gespecialiseerde hardware.

De auteurs merken bescheiden op dat hoewel de resultaten veelbelovend zijn, de kleine en ongebalanceerde aard van de dataset de kracht van de generalisatieclaims beperkt. Zij benadrukken dat de niet-lineaire metrieken fungeren als empirische beschrijvers van de variabiliteit in het looppatroon in plaats van mechanistische verklaringen van neurologische processen. Bijgevolg pleit de studie voor toekomstig onderzoek met grotere, onafhankelijke cohorten en de integratie van demografische covariaten (leeftijd, lengte) om deze bevindingen te valideren en de klinische bruikbaarheid van deze digitale biomarkers te verfijnen. Het framework wordt gepresenteerd als een veelzijdig platform dat uitbreidbaar is naar andere pathologieën van het looppatroon, waarmee de brug wordt geslagen tussen complexe gait-dynamica en bruikbare klinische inzichten.