medigraphic.com
ISSN 1684-1859 (Impreso)

2023, Número 1

<< Anterior Siguiente >>

Revista Cubana de Informática Médica 2023; 15 (1)


Enfoque de identificación no lineal para análisis de la marcha en pacientes con esclerosis lateralamiotrófica

Aznielle TY, Hernandez CJL

Idioma: Español
Referencias bibliográficas: 28
Paginas:
Archivo PDF: 542.59 Kb.


RESUMEN

El análisis de datos de la marcha, está dando resultados mixtos con respecto a los cambios de locomoción asociados con el desarrollo de la esclerosis lateral amiotrófica (ELA). Se ha reivindicado la necesidad de nuevas herramientas de análisis de datos de la marcha. Aplicamos un enfoque de identificación no lineal al estudio de los datos de la marcha de pacientes sanos y con ELA, disponibles en Physionet.org. La auto-regresión no lineal no paramétrica del núcleo, permitió obtener realizaciones libres de ruido (NFR) que imitaban las trazas originales, aunque la correlación entre los datos originales y la NFR correspondiente fue menor entre los pacientes con ELA (p = 0,03), lo que sugiere una mayor contribución de las influencias estocásticas. La inspección visual de los retratos de fase, reconstruidos a partir de NFR mediante la aplicación del teorema de Takens, sugirió diferencias dinámicas entre los sujetos de control y los pacientes. Esto se confirmó cuando se cuantificaron las características del retrato de fase y se sometieron a un análisis discriminante (89 % de clasificaciones correctas; 24/28). La aplicación de una medida de disimilitud no lineal para comparar registros de marcha de pares, definida como una distancia entre funciones auto-regresivas no lineales subyacentes, permitió una excelente separación entre ALS y controles, a través de una escala multidimensional. El mapa de proyección obtenido sugirió claramente que las huellas de ALS se encuentran en un espacio dinámico más estrecho. Esto podría reflejar el hecho conocido sobre la degeneración neuronal que acompaña a la progresión de la ELA. Cuando se introdujeron los componentes principales de la matriz de disimilitud como variables predictoras, el análisis discriminante arrojó un 82% de clasificaciones correctas (23/28). En general, nuestros resultados sugieren que un enfoque de identificación no lineal, centrado en la caracterización de la dinámica del proceso de la marcha, puede aportar nuevos conocimientos a la interpretación de los datos de la marcha.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Reeder B, Whitehouse K. Sensor-Based Detection of Gait Speed in Older Adults. An Integrative Review. Res Gerontol Nurs. 2015; 8(1):12-27.

  2. Kuo AD. The six determinants of gait and the inverted pendulum analogy: A dynamic

  3. Buczek FL, Cooney KM, Walker MR, Rainbow MJ, Concha MC, Sanders JO. Performance of an inverted pendulum model directly applied to normal human gait. Clinical Biomechanics (Bristol, Avon) 2006; 21(3):288-296

  4. Kiernan MC, et al, Amyotrophic lateral sclerosis. The Lancet 2011; 377 (4): 645-646

  5. Sreedharan J, Brown RH. Amyotrophic lateral sclerosis: Problems and prospects. Ann Neurol 2013; 74(3):309-316.

  6. Harms MB, Baloh RH. Clinical neurogenetics: Amyotrophic lateral sclerosis. NeurolClin 2013; 31(4):929-950.

  7. Liu Y, Pattamatta A, Zu T, Reid T, Bardhi O, Borchelt DR, Yachnis AT, Ranum LP. C9orf72 BAC mouse model with motor deficits and neurodegenerative features of ALS/FTD. Neuron 2016; 90:521-534.

  8. Barnéoud P, Lolivier J, Sanger DJ, Scatton B, Moser P . Quantitative motor assessment in FALS mice: a longitudinal study. Neuroreport 1997; 8(13):2861-2865.

  9. Fischer LR, Culver DG, Tennant P, Davis AA, Wang M, Castellano-Sanchez A, Khan J, Polak MA, Glass JD. Amyotrophic lateral sclerosis is a distal axonopathy: evidence in mice and man. Experimental neurology 2004; 185(2):232-240.

  10. Guillot TS, Asress SA, Richardson JR, Glass JD, Miller GW. Treadmill Gait Analysis Does Not Detect Motor Deficits in Animal Models of Parkinson's Disease or Amyotrophic Lateral Sclerosis. J Mot Behav 2008; 40(6): 568-577

  11. Amende I, Kale A, McCue S, Glazier S, Morgan JP, Hampton TG. Gait dynamics in mouse models of Parkinson's disease and Huntington's disease. Journal of Neuro Engineering and Rehabilitation 2005, 2:20-28

  12. Hampton TG. Measurement of gait dynamics and use of beta-blockers to detect, prognose, prevent and treat amyotrophic lateral sclerosis. Patent US 20070021421, Publication date Jan 25, 2007

  13. Takens F. Detecting strange attractors in turbulence. Lecture notes in Mathematics 1981; 898: 366-381

  14. Noakes L. The Takens embedding theorem. Int. J. Bifurcation Chaos 1991; 867:867-872

  15. Hadzipasic M, Ni W, Nagy M, Steenrod N, McGinley MJ, Kaushal A, Thomas E, McCormick DA, Horwich AL. Reduced high-frequency motor neuron firing, EMG fractionation, and gait variability in awake walking ALS mice. Proc Natl Acad Sci USA 2016 ????, E7600-E7609

  16. Goldberger AL, et al, PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation 2000; 101 (23): E215-E220

  17. Hausdorff JM, Lertratanakul A, Cudkowicz ME, Peterson AL, Kaliton D, Goldberger AL. Dynamic markers of altered gait rhythm in amyotrophyic lateral sclerosis. J Appl Physiol 2000; 88 (6):2045-53

  18. Zaldivar T, Gutierrez J, Lara G, Carbonara M, Logroscino G, Hardiman O. Reduced frequency of ALS in an ethnically mixed population. A population-based mortality study. Neurology 2009; 72(19):1640-1645

  19. Ran P, Tang Z, Fang F, Lou L, Zu L, Bringas-Vega ML, Yao D, Kendrick KM, Valdes-Sosa PA. Gait Rhythm Fluctuation Analysis for Neurodegenerative Diseases by Empirical Mode Decomposition. IEEE Transactions on Biomedical Engineering 2017,

  20. Valdés-Sosa PA, Bosch J, Jimenez JC, Trujillo-Barreto NJ, Biscay-Lirio RJ, Morales F, Hernández JL, Ozaki T: The statistical identification of nonlinear brain dynamics: A progress report. Nova Science Lots, 01/1999;

  21. Hernández Cáceres JL, Hernández Martínez L, Pérez Monzón M, García Domínguez L: Nonlinear Properties of Measles Epidemic Data Assessed With A Kernel Nonparametric Identification Approach. Electronic Journal of Biomedicine 2006;

  22. Hernandez JL, Valdes PA, Vila P. EEG spike and wave modelled by a stochastic limit cycle. Neuroreport 1996; 7(2):2246-2250

  23. Hernández JL, Biscay R, Jimenez JC, Valdes P, Grave de Peralta R. Measuring the dissimilarity between EEG recordings through a non-linear dynamical system approach. International Journal of Bio-Medical Computing 1995; 38(2):121-129

  24. Liu X, Povinelli RJ, Johnson MT Detecting determinism in speech phonemes, proceedings of IEEE Signal Processing Society 10th Digital Signal Processing Workshop, 2002.

  25. Schreiber T, Schmitz A. Classification of Time Series Data with Nonlinear Similarity Measures. Physical Review Letters 1997; 79 (8): 1475-1478

  26. Wu WF, Krishnan S. Computer-aided analysis of gait rhythm fluctuations in amyotrophic lateral sclerosis. Medical Biol Eng Comput 2009; 47(11):1165-1171

  27. Hadzipasic M, et al. Selective degeneration of a physiological subtype of spinal motor neuron in mice with SOD1-linked ALS. Proc Natl Acad Sci USA 2014; 111(47):16883-16888;

  28. Gorassini MA, Norton JA, Nevett-Duchcherer J, Roy FD, Yang JF. Changes in locomotor muscle activity after treadmill training in subjects with incomplete spinal cord injury. J Neurophysiol 2009; 101 (2):969-979.




2020     |     www.medigraphic.com