en English is Íslenska

Thesis (Master's)

Reykjavík University > Tæknisvið / School of Technology > MEd/MPM/MSc Verkfræðideild (áður Tækni- og verkfræðideild) og íþróttafræðideild -2019 / Department of Engineering (was Dep. of Science and Engineering) >

Please use this identifier to cite or link to this item: http://hdl.handle.net/1946/43318

Title: 
  • Predicting early-stage Parkinson’s disease using virtual reality and biomedical parameters
Degree: 
  • Master's
Abstract: 
  • Parkinson’s disease (PD) is the second most common neurodegenerative disease in the world today. It is mainly characterized by motor symptoms. Postural control deficiencies commonly affect PD patients. Currently, there is no known cure but treatment options can slow down the course of the disease. Therefore early diagnosis of PD is of great importance in order for treatment to be initiated. Measurements were performed on 9 early-stage PD patients. Data from 37 age-matched healthy subjects was used as a control group. Both before and after the experiment the participants filled out a Motion Sickness Susceptibility Questionnaire (MSSQ), giving a score on their motion sickness symptoms. In this study, a BioVRSea setup was used, measuring a combination of different biomedical parameters: center of pressure (CoP), electroencephalography (EEG), electromyography (EMG) and heart rate (HR). The aim of the study was to evaluate the quantitative response of early-stage Parkinson’s patients during the BioVRSea paradigms as well as assessing the interplay of different biomedical parameters using machine learning technologies to classify healthy individuals and early-stage Parkinson’s patients. From all of the biomedical parameters a total of 1885 features were collected. To decrease dimensionality they were reduced to the top 20 features. From those top 20 features, there were 10 features from the EEG, 5 from the EMG and 5 from the CoP. Additionally, two other feature selections were used. The first one consisted of indexes extracted from the MSSQ, while the other one consisted of the indexes and the top 20 features combined. These three feature selections were then used to demonstrate the possibility to classify between the healthy subject and the early-stage Parkinson’s subjects. Machine learning was able to predict whether a subject belonged to the healthy or the early-stage PD group with 95.7% accuracy with the top 20 features, 80.4% using the questionnaire and 91.3% by combining the top 20 features and the questionnaire. These results could pave the way toward a new form of quantitative assessment of early-stage Parkinson's disease.

  • Abstract is in Icelandic

    Parkinsonsjúkdómur er næstalgengasti taugahrörnunarsjúkdómurinn í heiminum í dag. Sjúkdómurinn einkennist aðallega af skertri hreyfigetu. Skortur á stöðustjórnun einkennir Parkinsonsjúklinga. Enn sem komið er ekki til nein lækning við sjúkdómnun en ýmsir meðferðarmöguleikar geta hægt á gangi hans. Því er mikilvægt að greina sjúkdóminn snemma
    svo hægt sé að hefja meðferð sem fyrst. Mælingar voru gerðar á 9 Parkinson sjúklingum á frumstigi. Notuð voru gögn frá 37 heilbrigðum einstaklingum á svipuðum aldri sem samanburðarhóp. Bæði fyrir og eftir mælingarnar fylltu þátttakendur út MSSQ spurningalista (Motion Sickness Susceptibility Questionnaire) sem gaf mynd af því hversu miklum áhrifum
    hreyfiveiki þáttakendur fundu fyrir. Í rannsókninni var notast við mælingaruppsetninguna BioVRSea, sem mælir eftirfarandi lífeðlisfræðileg merki: heilalínurit (EEG), hjartsláttartíðni (HR), vöðvarit (EMG) og þrýstimiðju (CoP). Markmið rannsóknarinnar var að mæla og
    meta svörun á lífeðlisfræðilegum merkjum og stöðustjórnun Parkinson sjúklinga á frumstigi í BioVRSea sjóveikiherminum ásamt því að meta samspil á milli mismunandi lífeðlisfræðilegra merkja frá hópunum tveimur með því að notast við vélnám (e. machine learning). Frá öllum þessu lífeðlisfræðilegu merkjum voru 1885 breytum safnað. Til þess að minnka vídd þeirra var þeim fækkað niður í efstu 20 breyturnar, þar af voru 10 frá heilalínuriti (EEG), 5 frá vöðvarafriti (EMG) og 5 frá þrýstimiðju (CoP). Að auki var notast við tvenns konar val á breytum. Fyrra valið samanstóð af stuðlum sem voru reiknaðir út frá svörun þátttakanda í
    MSSQ og seinna valið var samsetning af spurningalistanum og efstu 20 breytunum. Vélnám náði að spá fyrir um hvort þátttakandi tilheyrði heilbrigðum hópi eða Parkinson hópi með 95.7% nákvæmi með því að notast við efstu 20 breyturnar, 80.4% nákvæmni með því að notast spurningalistann og 91.3% með því að sameina efstu 20 breyturnar og spurningalistann.
    Þessar niðurstöður gætu rutt brautina að nýju formi á mælanlegu mati á Parkinsonsjúkdómi á frumstigi.
    Efnisorð: Parkinsonssjúkdómur, BioVRSea, heilalínurit, hjartsláttartíðni, vöðvarit, þrýstimiðja, stöðustjórnun, vélnám

Accepted: 
  • Jan 23, 2023
URI: 
  • http://hdl.handle.net/1946/43318


Files in This Item:
Filename Size VisibilityDescriptionFormat 
MSc_Ritgerd-Thorbjorg_Ida.pdf18.73 MBLocked Until...2024/02/29Complete TextPDF
Lokunarbeiðni Þorbjörg Ída-1.pdf382.02 kBOpenBeiðni um lokunPDFView/Open