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

Tourette syndroom is een neurologische aandoening die wordt gekenmerkt door plotselinge, onvrijwillige bewegingen of geluiden, zogenaamde tics. Voor mensen die met deze stoornis leven, kunnen deze tics variëren van een snelle oogknippering tot een complexe schouderophaling of een verbale uitbarsting. Hoewel de aandoening bekend is, blijft het nauwkeurig meten ervan in een klinische setting moeilijk. Artsen vertrouwen momenteel op patiënten of verzorgers die onthouden hoe vaak tics voorkwamen in de afgelopen week, of ze bekijken korte videoclips die in een praktijk zijn opgenomen. Beide methoden zijn imperfect; het menselijk geheugen is feilbaar en een kort kliniekbezoek kan het volledige beeld van de dagelijkse ervaring van een patiënt missen. Omdat tics fluctueren in intensiteit en tijdelijk onderdrukt kunnen worden, vereist het objectief vastleggen ervan een instrument dat continu kan kijken en luisteren zonder vermoeidheid.

Onderzoekers wenden zich steeds vaker tot technologie om dit probleem op te lossen, door sensoren te gebruiken om spieractiviteit te registreren en camera's om beweging vast te leggen. Een dergelijke inspanning komt van een team aan de University of Florida, dat het doel had om een computersysteem te bouwen dat in staat is om tics in realtime te detecteren. Ze wilden weten of kunstmatige intelligentie kon leren om onderscheid te maken tussen een persoon die rust, bewust zijn spieren beweegt en een tic heeft, enkel gebruikmakend van de elektrische signalen van hun spieren en videobeelden van hun lichaam. Hun doel was om een betrouwbare manier te creëren om de aandoening te monitoren, wat uiteindelijk artsen zou kunnen helpen bij het aanpassen van behandelingen of zelfs het automatisch activeren van therapieën wanneer een tic op het punt staat te gebeuren.

Het team verzamelde gegevens van zestien volwassenen bij wie de diagnose Tourette syndroom was gesteld. Elke persoon bezocht meerdere keren over een periode van drie maanden een kliniek, waarbij onderzoekers de spieractiviteit registreerden met behulp van acht kleine sensoren geplaatst op hun armen en nek. Tegelijkertijd filmde een camera met een hoge definitie hun bewegingen. Om ervoor te zorgen dat de computer de juiste lessen leerde, beoordeelden vier experts de videobeelden en markeerden exact wanneer een tic optrad, wanneer de persoon rustte en wanneer de persoon vrijwillige bewegingen maakte. De onderzoekers voerden deze gekoppelde gegevens — spiersignalen en video-labels — in drie verschillende soorten computermodellen die patronen herkennen. Ze testten deze modellen op twee manieren: eerst door ze te vragen wat er op het huidige moment gebeurde, en ten tweede door ze te vragen te voorspellen wat er in het volgende moment zou gebeuren.

Een essentieel onderdeel van het onderzoek was het testen van hoeveel tijd de computer nodig had om te zien voordat hij een beslissing kon nemen. De onderzoekers gingen er aanvankelijk vanuit dat omdat tics zeer kortstondig zijn, de computer het beste zou werken als hij naar zeer korte tijdsintervallen keek, bijvoorbeeld slechts één seconde. Ze testten vensters van één, vijf en tien seconden. De resultaten verrasten hen. Wanneer de taak bestond uit het detecteren van een tic die al gaande was, presteerde de computer het best wanneer deze naar een venster van vijf seconden keek. Het model kon tics identificeren met een AUC van 0,79 in dit langere tijdsbestek, wat suggereert dat de elektrische handtekening van een tic zich over enkele seconden ontvouwt en baat heeft bij een beetje context om duidelijk herkend te worden. In contrast hiermee, wanneer de computer probeerde een tic te voorspellen voordat deze plaatsvond, werkte deze het best met het kortste venster van één seconde. Dit geeft aan dat de waarschuwingssignalen van een naderende tic zeer recent en vluchtig zijn, waardoor het systeem zich op het onmiddellijke verleden moet richten in plaats van op een langere geschiedenis.

De studie vond dat de computermodellen over het algemeen beter waren in het opsporen van een tic terwijl deze plaatsvond, dan in het voorspellen van een tic voordat deze gebeurde. Het meest succesvolle model voor detectie, dat een specif kind type neuraal netwerk gebruikte dat ontworpen is voor tijdsgebonden data, bereikte een AUC van 0,79. Hoewel dit een sterk resultaat is, merkten de onderzoekers op dat het systeem nog niet perfect is. De modellen hadden meer moeite met het voorspellen van toekomstige tics, en hun prestaties varieerden afhankelijk van de lengte van het tijdsvenster dat ze analyseerden. Het team observeerde ook dat de computermodellen het beste leerden wanneer ze getraind werden op gegevens waarbij de spiersignalen werden gekoppeld aan de expert-videolabels, in plaats van enkel te vertrouwen op de spiersignalen alleen.

De onderzoekers waren zorgvuldig in het benoemen van de beperkingen van hun werk. De gegevens kwamen van een specifieke groep patiënten die al een procedure voor diepe hersenstimulatie hadden ondergaan, wat de spiersignalen anders zou kunnen maken dan die van de algemene populatie. De sensoren waren geplaatst op de armen en de nek, wat betekende dat het systeem geen vocale tics of gezichtstics kon detecteren die geen betrokkenheid van die specifie�s spieren vereisten. Bovendien waren de experts die de videodata labelden het niet altijd perfect eens over het exacte moment waarop een tic begon of stopte, wat een kleine mate van onzekerheid in het trainingsproces introduceert. Ondanks deze beperkingen biedt de studie een duidelijk ijkpunt voor wat mogelijk is. Het suggereert dat een systeem voor het detecteren van tics enkele seconden aan gegevens nodig heeft om zeker te zijn, maar dat het voor het voorspellen ervan direct moet reageren op de meest recente signalen.

Dit werk legt de basis voor toekomstige hulpmiddelen die de Tourette syndroom continu en objectief kunnen monitoren. In plaats van te vertrouwen op het geheugen of korte kliniekbezoeken, zou een systeem gebouwd op deze bevindingen potentieel de conditie van een persoon over dagen of weken kunnen volgen, waardoor een volledig beeld van hun symptomen ontstaat. Hoewel de huidige modellen nog niet klaar zijn voor dagelijks gebruik, laat de studie zien dat het combineren van spiersensoren met videoanalyse en kunstmatige intelligentie een veelbelovende weg voorwaarts biedt. Door precies te begrijpen hoeveel tijd de computer nodig heeft om een tic te zien en hoe dit verschilt van een vrijwillige beweging, kunnen wetenschappers beginnen met het ontwerpen van systemen die helpen de aandoening effectiever te beheren, waarmee ze dichter bij een toekomst komen waarin behandelingen kunnen worden aangepast op basis van realtime gegevens in plaats van schattingen.