HỆ THỐNG VÒNG KÍN DỰA TRÊN HỌC SÂU LAI ĐỂ PHÁT HIỆN ĐÓNG BĂNG DÁNG ĐI VÀ GỢI NHỊP THÍCH ỨNG CHO BỆNH NHÂN PARKINSON
DOI:
https://doi.org/10.59266/houjs.2025.736Từ khóa:
bệnh Parkinson, dóng băng dáng đi (FOG), hệ thống đeo, học sâu, CNN-LSTM, gợi ý cảm giác, can thiệp thời gian thực, internet vạn vật Y tế (IoMT)Tóm tắt
Hiện tượng Đóng băng Dáng đi (Freezing of Gait - FOG), một triệu chứng vận động nghiêm trọng và phổ biến ở bệnh nhân Parkinson (PD), làm gia tăng đáng kể nguy cơ té ngã và suy giảm trầm trọng chất lượng cuộc sống. Các phương pháp can thiệp hiện hành thường gặp hạn chế do tính chủ quan trong đánh giá hoặc thiếu khả năng đáp ứng theo thời gian thực. Bài báo này trình bày chi tiết quá trình thiết kế, triển khai và xác thực một hệ thống đeo vòng kín, tiêu thụ năng lượng thấp, có khả năng phát hiện FOG trong thời gian thực và tự động cung cấp tín hiệu gợi nhịp điệu nhằm hỗ trợ bệnh nhân. Hệ thống tích hợp một Đơn vị Đo lường Quán tính (IMU) duy nhất đeo tại cẳng chân để thu thập dữ liệu động học của dáng đi. Trọng tâm của hệ thống là một thuật toán phát hiện FOG dựa trên kiến trúc học sâu lai, kết hợp Mạng Nơ-ron Tích chập (CNN) và Mạng Bộ nhớ Dài-Ngắn (LSTM), được tối ưu hóa để triển khai trực tiếp trên vi điều khiển (MCU). Kiến trúc này cho phép trích xuất các đặc trưng không-thời gian phức tạp từ dữ liệu cảm biến thô một cách hiệu quả. Khi một cơn FOG được nhận diện, hệ thống sẽ kích hoạt các gợi ý đa phương thức, bao gồm tín hiệu thính giác hoặc rung, tùy theo lựa chọn của người dùng. Quá trình xác thực chéo theo phương pháp Loại bỏ một đối tượng (Leave-One-Subject-Out - LOSO) trên bộ dữ liệu công khai Daphnet cho thấy thuật toán đề xuất đạt được độ nhạy 92.5%, độ đặc hiệu 94.3%, và điểm F1 là 0.93. Các thử nghiệm thí điểm trên người dùng đã chứng minh rằng việc cung cấp gợi ý theo yêu cầu giúp giảm đáng kể thời gian của các cơn FOG. Nghiên cứu này khẳng định tiềm năng của một giải pháp khả thi, hiệu quả và kín đáo, mở ra hướng đi mới trong việc cải thiện sự an toàn và tính tự chủ trong vận động cho các cá nhân mắc bệnh Parkinson.
Tài liệu tham khảo
[1]. Aich, S., Kim, H.-C., Hui, K. L., Yamashita, T., & Kim, H.-C. (2020). A deep learning-based approach for the prediction of freezing of gait in Parkinson’s disease patients. Sensors, 20(22), 6445.
[2]. Arias, P., & Cudeiro, J. (2008). Effect of rhythmic sensory stimulation (auditory, visual) on gait in Parkinson’s disease patients. Experimental Brain Research, 186(4), 589–601. Bachlin, M., Plotnik, M., Roggen, D., Maidan, I., Hausdorff, J. M., Giladi, N., & Tr¨ oster,¨
[3]. G. (2009a). Wearable assistant for freezing of gait in Parkinson’s disease. In 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp.
[4]. 5055–5058). IEEE.
[5]. Bachlin, M., Plotnik, M., Roggen, D., Giladi, N., Hausdorff, J. M., & Tr¨ oster, G. (2009b).¨ The
[6]. Daphnet Freezing of Gait Database. [Data set]. ETH Zurich. http://www. daphnet.ch/ Bosch Sensortec. (2021). BMI270 - Ultra-low power smart IMU for wearables. [Datasheet].
[7]. Robert Bosch GmbH.
[8]. Camps, J., Sama, A., Martín-Gassó, M., de Mingo, E., Pérez-López, C., Leiva, A., RodriguezMolinero, A., Cabestany, J., & Rodríguez-Martín, D. (2018). Deep-learning-based freezingof- gait detection in Parkinson’s disease patients. Sensors, 18(1), 31.
[9]. Creaby, M. W., & Cole, M. H. (2012). Gait and neurophysiological correlates of freezing of gait in Parkinson’s disease. Journal of NeuroEngineering and Rehabilitation, 9(1), 60.
[10]. Giladi, N., & Nieuwboer, A. (2008). Understanding and treating freezing of gait in parkinsonism, proposed working definition, and setting the stage. Movement Disorders, 23(S2), S423–S425.
[11]. Giladi, N., Shabtai, H., Simon, E. S., Biran, S., Tal, J., & Korczyn, A. D. (2009). Construction of the freezing of gait questionnaire for patients with Parkinsonism. Parkinsonism & Related Disorders, 6(3), 165-170.
[12]. Ginis, P., Nackaerts, E., Vervoort, G., Heremans, E., Vandenberghe, W., Nieuwboer, A., &
[13]. Herrojo-Ruiz, M. (2018). A systematic review of the effects of auditory and visual cueing in Parkinson’s disease patients with freezing of gait. Parkinsonism Related Disorders, 53, 7–14. Hausdorff, J. M. (2007). Gait dynamics, fractals and falls: finding meaning in the stride-tostride fluctuations of human walking. Human Movement Science, 26(4), 555–589.
[14]. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
[15]. Kalia, L. V., & Lang, A. E. (2015). Parkinson’s disease. The Lancet, 386(9996), 896–912.
[16]. Lim, I., van Wegen, E., de Goede, C., Deutekom, M., Nieuwboer, A., Willems, A., Jones, D., & Kwakkel, G. (2005). Effects of external rhythmical cueing on gait in patients with Parkinson’s disease: a systematic review. Clinical Rehabilitation, 19(7), 695–713.
[17]. Mancini, M., Smulders, K., Harker, G., Stuart, S., & O’Connor, S. (2018). A closed-loop, wearable system for the management of freezing of gait in Parkinson’s disease. Frontiers in Neurology, 9, 372.
[18]. Mazilu, S., Hardegger, M., Zhu, Z., Roggen, D., Troster, G., Plotnik, M., & Hausdorff, J.¨ M. (2012). Online detection of freezing of gait with smartphones and machine learning. In 2012 6th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth) (pp. 123–130). IEEE.
[19]. Moore, S. T., MacDougall, H. G., & Ondo, W. G. (2008). Ambulatory monitoring of freezing of gait in Parkinson’s disease. Journal of Neuroscience Methods, 167(2), 340–
Nieuwboer, A., Kwakkel, G., Rochester, L., Jones, D., van Wegen, E., Willems, A. M., ... De-Lepeleire, D. (2007). Cueing for freezing of gait in patients with Parkinson’s disease: a rehabilitation model. Journal of Neurology, Neurosurgery Psychiatry, 78(1), 36-40.
[20]. Nutt, J. G., Bloem, B. R., Giladi, N., Hallett, M., Horak, F. B., & Nieuwboer, A. (2011). Freezing of gait: moving forward on a mysterious clinical phenomenon. The Lancet Neurology, 10(8), 734–744.
[21]. Okun, M. S. (2012). Deep-brain stimulation for Parkinson’s disease. New England Journal of Medicine, 367(16), 1529–1538.
[22]. Pardoel, S., Kofman, J., Nantel, J. (2021). Wearable-sensor-based detection and prediction of freezing of gait in Parkinson’s disease: A review. Sensors, 21(24), 8205.
[23]. Pérez-López, C., Samà, A., Rodríguez- Martín, J. M., Moreno, A. M., Cabestany, J., & Rodríguez-Martín, D. (2016). A comprehensive analysis of the freezing of gait phenomenon in Parkinson’s disease. Micromachines, 7(11), 219.
[24]. Podsiadlo, D., & Richardson, S. (1991). The timed ’Up Go’: a test of basic functional mobility for frail elderly persons. Journal of the American Geriatrics Society, 39(2), 142–148.
[25]. Prabhu, D. E., D’souza, A. O., Rajagopal, K. V., & Nemani, A. (2021). Personalized deep learning models for freezing of gait detection in Parkinson’s disease. Biomedical Signal Processing and Control, 68, 102598.
[26]. Richman, J. S., & Moorman, J. R. (2000). Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology-Heart and Circulatory Physiology, 278(6), H2039–H2049.
[27]. Rodriguez-Martin, D., Samà, A., Pérez- López, C., Català, A., Moreno, A., Mestre, B., ... Cabestany, J. (2017). A random forest based approach to detect freezing of gait in Parkinson’s disease from a single waist-worn sensor. In 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 177-180). IEEE.
[28]. Rovini, E., Maremmani, C., & Cavallo, F. (2017). How wearable sensors can support Parkinson’s disease diagnosis and treatment: a systematic review. Frontiers in Neuroscience, 11, 555.
[29]. Saeb, S., Larradet, F., Nielson, D. M., & Kording, K. P. (2017). The need to approximate the use-case in clinical machine learning. GigaScience, 6(5), gix014.
[30]. Schlenstedt, C., Smeding, B., van der Meer, S., Eiken, S., & Deuschl, G. (2017). The impact of subthalamic and pallidal deep brain stimulation on freezing of gait in Parkinson’s disease: a systematic review and meta-analysis. Movement Disorders, 32(5), 627-638.
[31]. Shine, J. M., Naismith, S. L., & Lewis, S. J. G. (2013). The paradoxical effects of cognitive load on freezing of gait in Parkinson’s disease. Journal of Neural Transmission, 120(8), 1147–1153. STMicroelectronics. (2023). STM32N6 Series-Next-generationAI microcontroller with Neural-ART accelerator. [Product Brief]. STMicroelectronics.
[32]. Walton, C. C., Mowszowski, B. M., Naismith, S. L., & Lewis, S. J. (2015). The neuropsychology of freezing of gait in Parkinson’s disease: A systematic review. Journal of Neural Transmission, 122(4), 495–506.
[33]. Zhao, W., Wang, J., Peng, D., He, L., & Li, P. (2020). Deep-learning based automatic freezing of gait detection for parkinsonian patients. IEEE Journal of Biomedical and Health Informatics, 24(10), 2785–2796.
