Биотехническая система для исследования болезни Паркинсона по видеоизображению лица и двигательной активности рук тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Мошкова Анастасия Алексеевна

• Мошкова Анастасия Алексеевна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Мошкова Анастасия Алексеевна

СПИСОК ПРИНЯТЫХ СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ПРЕДПОСЫЛКИ К АВТОМАТИЗАЦИИ ОЦЕНКИ ГИПОКИНЕЗИИ ПРИ ДИАГНОСТИКЕ БОЛЕЗНИ ПАРКИНСОНА

1.1. Общие сведения о болезни Паркинсона

1.1.1. Этиология болезни Паркинсона

1.1.2. Распространенность болезни Паркинсона

1.1.3. Клиническая диагностика болезни Паркинсона

1.1.4. Стадии заболевания

1.1.5. Оценка тяжести болезни Паркинсона

1.2. Оценка гипокинезии

1.2.1. Клиническая оценка гипокинезии

1.2.2. Автоматизированная оценка гипокинезии

1.3. Подходы к оценке гипомимии при болезни Паркинсона

1.3.1. Клиническая оценка гипомимии

1.3.2. Подходы к количественной оценке мимической активности

1.3.3. Подходы к количественной оценке лицевой выразительности

1.4. Подходы к количественной оценки двигательной активности рук при болезни Паркинсона

1.5. Выводы к главе

ГЛАВА 2. РАЗРАБОТКА МЕТОДА АВТОМАТИЗИРОВАННОЙ ОЦЕНКИ

ДВИГАТЕЛЬНОЙ АКТИВНОСТИ РУК И МИМИКИ

2.1. Сбор данных для исследования двигательной активности рук и мимики

2.1.1. Участники исследований

2.1.2. Разработка макета для регистрации данных двигательной активности рук и мимики

Стр.

2.2. Количественная оценка двигательной активности рук и мимики

2.2.1. Построение двигательных сигналов

2.2.2. Кинематические параметры для оценки двигательной активности рук и мимической активности

2.2.3. Оценка лицевой выразительности

2.2.4. Комплекс характеристик двигательной активности рук и мимики

2.3. Отбор признаков для распознавания болезни Паркинсона

2.3.1. Методы статистического анализа

2.3.2. Результаты статистического анализа характеристик двигательной активности рук

2.3.3. Результаты статистического анализа характеристик мимической активности

2.3.4. Результаты статистического анализа характеристик лицевой выразительности

2.3.5. Анализ мультиколлинеарности характеристик двигательной активности рук и мимики

2.4. Разработка алгоритма распознавания болезни Паркинсона

2.4.1. Исследование методов классификации

2.4.2. Оптимизация вектора признаков

2.5. Выводы к главе

ГЛАВА 3. РАЗРАБОТКА БИОТЕХНИЧЕСКОЙ СИСТЕМЫ

3.1. Схема биотехнической системы

3.2. Пользовательское приложение для обработки данных

3.3. Исследование погрешностей, возникающих при функционировании биотехнической системы

3.3.1. Формирование требований к допустимым погрешностям

3.3.2. Исследование погрешности датчика

3.4. Разработка алгоритма автоматизированной обработки сигналов двигательной активности рук и мимической активности

Стр.

3.4.1. Алгоритм локализации экстремумов

3.4.2. Разработка алгоритма автоматической оценки качества двигательных сигналов и параметров алгоритма их обработки

3.4.3. Исследование погрешностей алгоритма

3.5. Выводы к главе

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ БИОТЕХНИЧЕСКОЙ СИСТЕМЫ

4.1. Сбор данных для апробации биотехнической системы

4.2. Исследование распределения характеристик двигательной активности рук и мимики в норме

4.3. Исследование показателей эффективности применения биотехнической системы

4.3.1. Корректировка пространства признаков для распознавания болезни Паркинсона в автоматизированном режиме

4.3.2. Исследование на тестовой выборке

4.3.3. Исследование погрешностей расчета характеристик двигательной активности рук и мимики

4.4. Выводы к главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

СПИСОК ПРИНЯТЫХ СОКРАЩЕНИЙ

БП - болезнь Паркинсона

БТС - биотехническая система

ДАР - двигательная активность рук

ДЕ (АЦ) - двигательная единица

ИИ - индекс индивидуальности

КГ - контрольная группа

ЛВ - лицевая выразительность

МА - мимическая активность

СКЛиД - система кодирования лицевых движений

БТ - постукивание пальцами

1СКР-1ББ - Протокол оценки межличностного общения - версия для болезни Паркинсона

МОБ-иРЭН^ - Унифицированная шкала оценки болезни Паркинсона международного общества расстройств движения

ОС - открытие/закрытие ладони

РБ - пронация/супинация кисти

Введение диссертации (часть автореферата) на тему «Биотехническая система для исследования болезни Паркинсона по видеоизображению лица и двигательной активности рук»

ВВЕДЕНИЕ

Актуальность темы. Болезнь Паркинсона (БП) - неврологическое заболевание, связанное с дегенерацией дофаминовых нейронов [123] и занимающее второе место по распространенности среди нейродегенеративных заболеваний [56]. Распространенность БП составляет от 120 до 180 человек на 100 тысяч населения; для лиц старше 60 лет она достигает 1 %, а в категории лиц старше 85 лет - превышает 2 % [1 ]. Несмотря на преимущественную распространенность БП среди пожилого населения, возраст дебюта данного заболевания снижается. Уже сейчас каждый десятый пациент с БП имеет возраст до 50 лет, а каждый двадцатый - до 40 лет [16]. Данная тенденция, наряду с ожидаемым, согласно исследованиям ООН, увеличением численности пожилого населения в мире (до 22 % к 2050 году), приведет к существенному росту в ближайшие десятилетия числа пациентов с БП.

БП является неизлечимым заболеванием, однако своевременно назначенная терапия способствует поддержанию нормального качества жизни пациента и отодвигает процесс инвалидизации [10]. Одним из факторов несвоевременной диагностики БП является поздняя обращаемость пациентов к специалисту [18]; наряду с несвоевременным выявлением симптомов заболевания, только 42 % пациентов обращаются непосредственно к неврологу [14]. Диагноз заболевания в настоящее время ставится только при появлении у пациента соответствующей клинической картины, включающей гипокинезию, тремор, ригидность, постуральную неустойчивость [21]. Известно, что облигатным симптомом БП является гипокинезия, которая проявляется в уменьшении амплитуды движений, замедлении движений, а также уменьшении их количества. Оценка степени двигательных нарушений проводится неврологом визуально, согласно 3-й части унифицированной шкалы оценки болезни Паркинсона (MDS-UPDRS) [105]. При амбулаторном обследовании пациент выполняет специальные двигательные упражнения, которые оцениваются неврологом по пятибалльной шкале по

степени трудности выполнения упражнений. Известно, что клинические показатели такой оценки вирируются между экспертами [88, 98], что говорит о субъективности шкалы MDS-UPDRS. Показатели оценки MDS-UPDRS дают лишь интегральное представление о двигательном нарушении, не раскрывают полную картину изменений отдельных компонент движения, а сама процедура обследования занимает продолжительное время [24].

В настоящее время существует большое число исследований, посвященных автоматизации оценки двигательных нарушений, возникающих в разных локализациях при гипокинезии [44, 95, 108, 119]. Создан ряд автоматизированных систем, предназначенных для оценки признаков БП в целом [111, 136] и для распознавания БП по отдельным проявлениям гипокинезии, включающим нарушения двигательной активности рук (ДАР), мимики, почерка, речи, походки и другие. Тем не менее, публикуемые результаты получены преимущественно на закрытых и ограниченных по объему базах данных, авторы не предоставляют доступ к разработанному программному обеспечению, предназначенному, в первую очередь, для научных исследований.

Анализ работ в области автоматизации оценки двигательных нарушений с учетом возможности проведения дистанционной оценки, в том числе, в домашних условиях, показывает, что наиболее перспективными для оценки гипокинезии локализациями являются руки и лицо. Разработка и верификация методов количественной оценки нарушений движения в данных локализациях с построением системы автоматизированного распознавания БП является актуальной задачей.

Цель диссертационной работы: разработка метода автоматизированного распознавания болезни Паркинсона по признакам гипокинезии, включающим количественные характеристики двигательной активности рук и мимики.

Для достижения поставленной цели решались следующие задачи:

1. Провести анализ подходов к оценке гипокинезии на основе двигательной активности рук и мимики; сформировать вектор признаков для распознавания болезни Паркинсона.

2. Определить предельные возможности решения задачи распознавания болезни Паркинсона по признакам двигательной активности рук и мимики в зависимости от набора признаков и алгоритма классификации.

3. Разработать алгоритм автоматизированной обработки регистрируемых данных двигательной активности рук и мимики.

4. Разработать экспериментальный образец биотехнической системы для исследования болезни Паркинсона по видеоизображению лица и двигательной активности рук и провести его апробацию.

Научная новизна работы:

1. Сформирован вектор информативных для распознавания БП некоррелированных признаков. Установлено, что повышение точности распознавания БП достигается при одновременном использовании признаков ДАР и мимики, описываемой признаками мимической активности (МА) и лицевой выразительности (ЛВ), и применении наивного байесовского классификатора. Использование признаков ДАР и мимики по-отдельности приводит к снижению точности распознавания БП на однородной выборке на величину от 3 до 6 %.

2. Сформулированы требования по допустимым погрешностям оценки отобранных характеристик ДАР, МА и ЛВ, обеспечивающие сохранение достигнутых значений точности распознавания БП: для характеристик ДАР допустимые погрешности составляют 6,6 %, для МА - 8,8 %, для ЛВ - 12,9 %.

3. Экспериментально показано, что признаки ДАР, характеризующие выполнение испытуемым трех двигательных упражнений по MDS-UPDRS, не являются устойчивыми к тестовой выборке по сравнению с мимическими признаками и объединенным вектором признаков, и не могут быть независимо использованы для распознавания БП на практике.

4. Разработан новый метод автоматизированного распознавания БП по видеоизображению лица и ДАР, основанный на построении сигналов движения в процессе выполнения испытуемым специальных упражнений на ДАР и мимику, автоматизированном расчете 14 признаков, характеризующих ДАР, МА и ЛВ и

применении наивного байесовского классификатора, обеспечивающий на исследованной выборке точность распознавания БП 93,6 %.

Основные научные положения, выносимые на защиту:

1. Сформированный вектор информативных для распознавания БП признаков содержит 19 элементов, включающих характеристики трех двигательных упражнений для оценки ДАР и характеристики МА и ЛВ для оценки мимики.

2. Достижимые точности распознавания БП в режиме 8-кратной кросс-валидации на сформированной в работе базе данных пациентов и контрольной группы составляют 90,6 % - при оценке ДАР и 93,8 % - при оценке мимики по признакам МА и ЛВ. При совместной оценке ДАР и мимики точность составляет 96,9 % и достигается при использовании от 4-х до 18-ти последовательно отобранных признаков, в обязательном порядке включающих признаки, как ДАР, так и МА и ЛВ.

3. Разработанный алгоритм обработки сигналов ДАР и МА, основанный на оценке пригодности сигнала к автоматической обработке с последующим адаптивным сглаживанием и локализацией экстремумов, обеспечивает погрешность расчета характеристик ДАР и МА, не превышающую допустимую.

4. Использование тестовых данных, не участвовавших ранее в процедуре кросс-валидации и при построении модели распознавания БП, приводит к снижению точности более чем на 20 % при использовании только признаков ДАР, на величину менее 2 % при использовании мимических признаков МА и ЛВ, и на величину менее 4 % при совместном использовании признаков ДАР и мимики. Наивысшая точность распознавания БП соответствует совместной оценке ДАР и мимики и составляет на исследованной выборке 93,6 %.

Теоретическая и практическая значимость работы:

1. Определены количественные характеристики ДАР и мимики, имеющие статистически значимые различия между группой пациентов с БП и контрольной группой. Сформированы требования к допустимой погрешности их оценки.

2. Установлены наиболее информативные для распознавания БП упражнения для оценки мимической активности: «улыбнуться с усилием», «сдвинуть брови» - и для оценки лицевой выразительности: имитация 4-х базовых эмоций (отвращение, радость, печаль, удивление), изображенных на предъявляемых испытуемому фотографиях. Показано, что использование признаков мимики независимо или совместно с признаками ДАР обеспечивает устойчивость результатов распознавания БП к тестовой выборке.

3. На основании теоретических и экспериментальных исследований разработан аппаратно-программный комплекс для бесконтактного сбора данных и автоматизированного анализа видеоизображения лица и ДАР, обеспечивающий распознавание БП на основе совместной количественной оценки нарушений ДАР и мимики.

Методы исследования. В работе использованы методы математической статистики, методы цифровой обработки сигналов, методы обработки и анализа данных, методы машинного обучения и распознавания образов, элементы теории биотехнических систем.

Достоверность результатов основывается на использовании в работе основных положений теории биотехнических систем, методов математической статистики и других известных методов исследования. Полученные результаты не противоречат общепризнанным принципам и результатам исследований, опубликованным в работах отечественных и зарубежных авторов.

Внедрение и использование. Результаты диссертационной работы использованы в деятельности ФГБНУ «Научный центр неврологии» при обследовании пациентов с клинической картиной болезни Паркинсона; использованы при выполнении с участием автора прикладных научных исследований «Создание Стенда для отработки аппаратно-программного комплекса телеметрического контроля жизненно важных функций организма человека и создание автоматизированной экспертной системы поддержки принятия решения, выбора коррекционных и профилактических мероприятий

удаленного доступа» (Задание № 8.12871.2018/12.1); внедрены в учебный процесс кафедры «Биомедицинские технические системы» МГТУ им. Н.Э. Баумана.

Апробация материалов диссертации. Основные положения и результаты диссертационной работы обсуждались на конференциях: «2020 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT)» (Екатеринбург, 2020), «26th IEEE Conference of Open Innovations Association FRUCT» (Ярослалвь, 2020), «27th IEEE Conference of Open Innovations Association FRUCT» (Тренто, Италия, 2020), «28th IEEE Conference of Open Innovations Association FRUCT» (Москва, 2021), «2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (2020 EIConRus)» (Москва, 2020), «2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (2021 EIConRus)» (Москва, 2021), «Физика и радиоэлектроника в медицине и экологии (ФРЭМЭ-2018)» (Владимир-Суздаль, 2018), «Физика и радиоэлектроника в медицине и экологии (ФРЭМЭ-2020)» (Владимир, 2020).

Публикации. Основные результаты диссертационного исследования представлены в 10 научных работах, включая 2 статьи в рецензируемых журналах и изданиях из перечня ВАК РФ и 6 статей, индексируемых в Scopus. Общий объем 3,65 п.л.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, общих выводов, списка литературы и приложения. Основное содержание работы изложено на 131 странице, работа содержит 38 рисунков, 37 таблиц и список литературы из 147 библиографических источников.

ГЛАВА 1. ПРЕДПОСЫЛКИ К АВТОМАТИЗАЦИИ ОЦЕНКИ ГИПОКИНЕЗИИ ПРИ ДИАГНОСТИКЕ БОЛЕЗНИ ПАРКИНСОНА

1.1. Общие сведения о болезни Паркинсона 1.1.1. Этиология болезни Паркинсона

Болезнь Паркинсона (БП) - прогрессирующее неврологическое заболевание, связанное с дегенерацией дофаминовых нейронов, наиболее часто встречающееся среди лиц старшей возрастной группы [123].

При БП происходит поражение структур экстрапирамидной моторной системы [76], которая представляет собой совокупность структур головного мозга, участвующих в управлении движениями, поддержании мышечного тонуса, позы. Элементами экстрапирамидной системы являются: базальные ядра, красное ядро, крыша мозга, черная субстанция, ретикулярная формация и мозжечок [19, 35].

По большей части, дегенерация нейронов, ответственных за выработку нейромедиатора дофамина, происходит в черной субстанции, с накоплением в них белка альфа-синуклеина и образованием телец Леви, присутствие которых является одним из признаков БП [143]. При БП тельца Леви появляются в нервных клетках варолиевого моста, отвечающего за мимику, где находится ядро лицевого нерва.

Причины возникновения БП до конца не ясны. Факторами риска принято считать старение, генетическую предрасположенность, воздействие факторов окружающей среды [37].

Клинические проявления БП представляют собой комплекс двигательных симптомов: гипокинезия, ригидность, тремор, постуральная неустойчивость, также присутствуют различные немоторные проявления заболевания: психические, сенсорные, вегетативные и др. [21]. В работе [129] выделено 6 этапов, по которым происходит развитие патологического процесса.

Классические симптомы БП появляются на 3 этапе, при гибели от 60 до 80 % нейронов черной субстанции [55].

1.1.2. Распространенность болезни Паркинсона

Среди нейродегенеративных заболеваний БП занимает второе место по частоте встречаемости после болезни Альцгеймера [56]. Заболеваемость БП составляет около 20 человек на 100 000 населения, распространенность - от 120 до 180 человек на 100 000 и достигает 1 % среди лиц старше 60 лет; распространенность среди лиц старше 85 лет превышает 2 % [1]. Согласно World Population Prospects 2019 (ООН, 2019), в 2019 году диагноз БП имел каждый одиннадцатый человек в мире старше 65 лет, а к 2050 году будет иметь каждый шестой [147]. По данным [90] распространенность и заболеваемость БП увеличится более чем на 30 % уже к 2030 г. По литературным данным известно, что возраст дебюта БП снижается и данное заболевание уже начало затрагивать лиц трудоспособного возраста [16, 25].

1.1.3. Клиническая диагностика болезни Паркинсона

В настоящее время клиническая диагностика БП осуществляется по Общепринятым диагностическим критериям болезни Паркинсона («UK Parkinson's Disease Society Brain Bank») [100, 134], представленным в Таблице 1.

Таблица 1.

Критерии установления БП [79]

Критерии Факторы

Выявление синдрома паркинсонизма Наличие основного симптома - гипокинезии. Сочетание с одним из следующих симптомом: - мышечная ригидность; - тремор покоя; - постуральная неустойчивость.

Таблица 1 (продолжение).

Критерии исключения БП - сведения в анамнезе о повторных инсультах с прогрессированием симптомов паркинсонизма, повторных черепно-мозговых травмах, энцефалите, остром нарушении кровообращения, прием нейролептиков; - одностороннее проявление болезни в течение более 3 лет; - супрануклеарный паралич; - ранняя вегетативная недостаточность, мозжечковые симптомы, симптом Бабинского, атрофия мозжечка на компьютерной томографии; - ранее появление деменции; - сообщающаяся гидроцефалия на компьютерной томографии; - отсутствие реакции на высокие дозы леводопы; - контакт с токсическими веществами, вызывающими паркинсонизм.

Критерии, подтверждающие диагноз БП (не менее трёх) - одностороннее начало болезни; - присутствие тремора покоя; - прогрессирующее течение болезни; - асимметрия, с выраженной симптоматикой на стороне дебюта болезни; - хорошая реакция на леводопу (уменьшение симптомов на 70-100 %); - выраженная дискинезия, индуцированная препаратами леводопы; - сохранение отклика на леводопу в течение 5 лет и более; - длительность заболевания 10 лет и более.

БП относится к первичному паркинсонизму [13]; по данным [14], среди 10 153 пациентов, которые обратились по поводу паркинсонизма в Baylor College of Medicine с 1988 по 2013 г. (USA), частота встречаемости БП составила 65 % от общего числа обратившихся.

В настоящее время диагностика БП основана на клинических проявлениях. В [61] отмечены показатели эффективности критериев для клинического диагноза БП: чувствительность 91,1 %, специфичность 98,4 %, положительная прогностическая ценность 98,6 % и отрицательная прогностическая ценность 90,0 %.

Существуют также нейровизуализационные методы исследования БП, которые могут быть использованы как вспомогательные для дифференциальной диагностики БП и синдрома паркинсонизма [14]. К ним относятся такие методы, как позитронно-эмиссионная томография (ПЭТ), транскраниальная ультразвуковая допплерография сосудов, магнитно-резонанская томография, однофотонная эмиссионная компьютерная томография. Одним из надежных методов, обладающим дифференциально-диагностическими возможностями, является DaTSCAN, который позволяет увидеть нарушения транспорта дофамина; однако для проведения процедуры сканирования требуется предварительное инвазивное вмешательство, а сама процедура занимает много времени и является дорогостоящей [143].

Особенностью диагностики БП является то, что пациенты обращаются к врачу несвоевременно [18] (Рисунок 1.1), что существенно откладывает момент начала лечения и существенно осложняет сохранение качества жизни в будущем [10]. По данным [28] за первые 2 года развития БП диагноз ставится только 62 % заболевших.

В работе [14] отмечается, что люди, имеющие БП, впервые обращаются к неврологу только в 42 случаев из 100. В остальных случаях для первого приема пациенты выбирают терапевта, травматолога, психиатра, уролога или ревматолога.

О 1 1 Э А 5 С 7 4 9 1011 12=131415 Врмм

Рисунок 1.1.

Частотное распределение отсроченных клинических диагнозов БП [28]

1.1.4. Стадии заболевания

Наиболее распространенной в медицине является классификация стадий БП по Хен-Яру (1967 г) [83]. Шкала описывает 5 стадий (от 1 до 5) прогрессирования БП. В модифицированной шкале (Таблица 2) присутствуют промежуточные стадии (0; 1,5 и 2,5) [103].

Шкала по Хен-Яру не является линейной и может не соответствовать ранжированию пациентов по степени проявления гипокинезии. Так, встречаются пациенты, имеющие большую инвалидность на стадии 2 (со значительной гипокинезией, но хорошей стабильностью в тесте на устойчивость), чем пациенты, которые были отнесены к стадии 3 (которые не справляются с тестом на устойчивость, но имеют относительно умеренную гипокинезию). Несмотря на это, в целом, стадирование БП по Хен-Яру считается наиболее подходящим для описания пациентов [113].

Прогрессирование БП очень неоднородно и зависит от нескольких факторов. Пациенты с одинаковой продолжительностью и степенью тяжести заболевания могут иметь разные степени потери нейронов в различных структурах мозга [40, 137].

Таблица 2.

Шкала оценки БП по Хен-Яру

Стадия Проявление заболевания

0 нет признаков заболевания

1 симптомы заболевания присутствуют на одной из конечностей

1,5 симптомы заболевания присутствуют на одной из конечностей и туловище

2 двусторонние проявления симптомов заболевания без постуральной неустойчивости

2,5 двусторонние проявления симптомов заболевания в сочетании с постуральной неустойчивостью; больной способен преодолевать инерцию движения, вызванную толчком

3 двусторонние проявления симптомов заболевания; постуральная неустойчивость. Больной способен к самообслуживанию

4 обездвиженность, потребность в посторонней помощи; больной способен ходить и/или стоять без поддержки

5 больной прикован к креслу или кровати; тяжелая инвалидизация

Для удобства использования в клинической практике проводят объединение стадий по Хен-Яру по степени тяжести с выделением трех стадий [21] (Таблица 3).

Таблица 3.

Соответствие стадий, используемых в клинической практике,

и стадий по Хен-Яру

Объединенная стадия Стадия по Хен - Яру

Ранняя 1-2,5

Развернутая 3

Поздняя 4-5

На ранней стадии выраженность двигательных нарушений - умеренная; несмотря на некоторые трудности, пациент может заниматься профессиональной и повседневной деятельностью. В основном, двигательные нарушения включают два или три основных симптома БП среди следующих: гипокинезия, ригидность, тремор покоя [5, 16].

На развернутой стадии к уже имеющимся симптомам присоединяется постуральная неустойчивость. У больного появляются сложности, связанные с самообслуживанием, которые чаще всего вызваны осложнениями после длительного приема препаратов леводопы [20, 27].

На поздней стадии появляются выраженные двигательные нарушения, при которых больной частично или полностью теряет способность к самообслуживанию, ему становится необходима посторонняя помощь [11, 22].

1.1.5. Оценка тяжести болезни Паркинсона

Для оценки тяжести болезни Паркинсона и эффективности лечения используются стандартные международные шкалы: UPDRS, MDS-UPDRS, шкала повседневной жизненной активности Schwab и England, модифицированная шкала Хен-Яра.

В настоящее время все чаще используется «Унифицированная шкала оценки болезни Паркинсона международного общества расстройств движения» (MDS-UPDRS) [105], которая является модифицированной версией шкалы UPDRS. Шкала MDS-UPDRS содержит четыре части для оценки влияния болезни на повседневную жизнь пациента. Оценка двигательных проявлений проводится по 3-й части шкалы MDS-UPDRS, которая содержит правила оценки речи, выразительности лица, ригидности, постукивания пальцами, кистевых движений, пронации-супинации кисти, постукивания носком стопы, подвижности ног, вставания с кресла, походки, застывания при ходьбе, постуральной неустойчивости, позы, общей спонтанности движений, постурального тремора рук, кинетического тремора рук, амплитуды тремора покоя, постоянства тремора покоя.

При амбулаторном обследовании пациент выполняет специальные двигательные упражнения из 3-й части МОБ-иРЭН^, которые оцениваются неврологами по дискретной шкале из пяти классов по возрастанию степени трудности выполнения. Клинические показатели оценки по MDS-UPDRS дают интегральное представление о конкретном нарушении, не раскрывают полную картину изменений в двигательных проявлениях, не выделяют наиболее значимые изменения, характерные для конкретного пациента с БП. Как следствие, клинические показатели оценки варьируются между экспертами [58, 88, 99, 124].

1.2. Оценка гипокинезии 1.2.1. Клиническая оценка гипокинезии

Гипокинезия является облигатным симптомом паркинсонизма [3], поэтому выявление признаков гипокинезии имеет ключевое значение в дифференциальной диагностике заболевания [12]. Данный симптом характеризуется уменьшением количества движений, их замедлением, снижением скорости и амплитуды, двигательные акты утрачивают свое разнообразие. При гипокинезии происходят нарушения в мимике, которые называются гипомимией [23], ухудшается речь и артикуляция [142]. Под гипокинезией также понимается редкое моргание, нарушение почерка, затруднения при вставании со стула, изменения и нарушения походки [29]. Наиболее часто гипокинезия проявляется в области туловища, верхних и нижних конечностей, лица и глаз.

В работе [138] отмечено, что оценка гипокинезии по MDS-UPDRS имеет самую низкую надежность среди всех тестов данной шкалы. Предполагается, что 3-я часть MDS-UPDRS может быть недостаточной по своим оценочным свойствам для гипокинезии. В соответствии с данной шкалой, при определении балла, характеризующего двигательные нарушения в конкретной локализации, одновременно должны быть учтены изменения скорости и амплитуды движения, утомляемость, ритм и остановки движения. Это, с одной стороны, является источником субъективной оценки, а с другой, снижает вероятность выявления

отдельных малых нарушений на ранних стадиях [138]. Более того, работа со шкалой требует больших затрат времени (около 40 минут) [24], поэтому в клинической практике часто используются отдельные части шкалы или отдельные задания. В связи с этим, определение наиболее информативных признаков гипокинезии при БП является важной задачей как для изучения БП, так и для конкретизации процедуры оценки.

Технические методы оценки двигательных нарушений призваны дополнить существующие клинические методы, предоставляя объективные количественные характеристики двигательной дисфункции, которые можно анализировать во время обычных клинических обследований или в домашних условиях. Объективная оценка гипокинезии позволяет клиницистам проводить длительный мониторинг пациентов и оценивать результаты лечения с учетом приема лекарств, в том числе, в домашних условиях, что обеспечивает возможность корректировки схем лечения, если это необходимо [131].

В настоящее время существуют системы направленные на количественную оценку двигательной активности человека [49, 53, 116, 117]. Однако соответствующие коммерческие продукты не фокусируются на отдельных двигательных нарушениях и не предназначены для исследования БП. Ряд существующих систем оценки нарушений двигательной активности и других проявлений (например, тремора) при БП [33, 54, 114, 122] использует данные носимых датчиков. Однако большую роль для массового применения и домашнего использования играет использование бесконтактных автоматизированных методов.

1.2.2. Автоматизированная оценка гипокинезии

Автоматизированная оценка гипокинезии является предметом исследования многих авторов. Для определения наиболее актуальных направлений в настоящей диссертационной работе было найдено более 10 тыс. работ, по ключевым словам: «Parkinson's disease automated algorithm», «Parkinson's disease automated method», «Parkinson's disease hypokinesia», «Parkinson's disease automated UPDRS»,

«Parkinson's disease facial expression automated», «Parkinson's disease automated hands motor activity», начиная с 2017 г. (Таблица 4). Также была проведена оценка удобства использования отдельных двигательных задач в домашних условиях, так как постоянный мониторинг заболевания является одним из важных аспектов выбора правильного курса лечения.

Таблица 4.

Публикации в области автоматизированной оценки отдельных двигательных

Список литературы диссертационного исследования кандидат наук Мошкова Анастасия Алексеевна, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Автоматизированный модуль для исследования двигательных проявлений болезни Паркинсона / Мошкова А. А. [и др.] // XIV Международная научная конференция "ФИЗИКА И РАДИОЭЛЕКТРОНИКА В МЕДИЦИНЕ И ЭКОЛОГИИ" с научной молодежной школой им. И.Н. Спиридонова ФРЭМЭ'2020 1 - 3 июля 2020 года. Труды, 2020, C. 80-83.

2. Байрамукова А.М., Ажахметова А.К., Карпов С.М. Эпидемиология болезни Паркинсона в различных странах мира // Успехи современного естествознания. 2013. № 9. С. 20-21. URL: http://www.natural-sciences.ru/ru/article/view?id=32758 (дата обращения: 19.10.2020).

3. Биотехническая система для исследования мимики и двигательной активности рук пациентов при болезни Паркинсона / Мошкова А.А. [и др.] // Биотехносфера. 2020. № 1. C. 54-60.

4. Болезнь Паркинсона: современные подходы к диагностике и лечению / Левин О.С. [и др.] // ПМ. 2017. T. 1. C. 45-51. URL: https: //cyberleninka. ru/article/n/bolezn-parkinsona-sovremennye-podhody-k diagnostike-i-lecheniyu (дата обращения: 26.10.2020).

5. Вереютина И. А., Иллариошкин С. Н., Журавлева Е. Ю. Нейропсихологические расстройства на ранней стадии болезни Паркинсона // Анналы клинической и экспериментальной неврологии. - 2012. Т. 6. № 2. С. 11-15.

6. ГОСТ Р ИСО 5479-2002. Статистические методы. Проверка отклонения распределения вероятностей от нормального распределения. ИПК Издательство стандартов. 2002. 25 с.

7. ГОСТ Р 53022.3-2008. Технологии лабораторные клинические. Требования к качеству клинических лабораторных исследований. Часть 3. Правила оценки клинической информативности лабораторных тестов. Стандартинформ, 2009. 22 с.

8. ГОСТ Р 53133.1-2008. Технологии лабораторные клинические. Контроль качества клинических лабораторных исследований. Часть 1. Пределы допускаемых погрешностей результатов измерения аналитов в клинико-диагностических лабораториях. Стандартинформ, 2009. 31 с.

9. Гендерные особенности антропометрических показателей студентов ВГМА / Лопатина Л. А. [и др.] // ВНМТ. 2011. №2. URL: https://cyberleninka.ru/article/n/gendernye-osobennosti-antropometricheskih-pokazateley-studentov-vgma (дата обращения: 18.04.2021).

10. Голубев В. Л. Болезнь Паркинсона и синдром паркинсонизма. М.: МЕДпресс, 1999. 416 с.

11. Дамулин И.В., Жученко Т.Д., Левин О.С. Нарушения равновесия и походки у пожилых//Достижения в нейрогериатрии/Под ред. Н.Н.Яхно, И.В.Дамулина. М. 1995. С. 71-97.

12. Датиева В. К., Левин О. С. Диагностика и лечение ранней стадии болезни Паркинсона // Consilium medicum. 2012. Т. 14. № 9. С. 47-54.

13. Джеймс Паркинсон. Эссе о дрожательном параличе: Пер. с англ. д.м.н., проф. М.В. Селиховой. 2010. С. 80.

14. Евтушенко С.К., Головченко Ю.И., Труфанов Е.А. Болезнь Паркинсона и паркинсонические синдромы (лекция) // Междунар. неврол. журн.; МНЖ. 2014. №4. C. 16-31. URL: https://cyberleninka.ru/article/n/bolezn-parkinsona-i-parkinsonicheskie-sindromy-lektsiya (дата обращения: 06.04.2021).

15. Жильцов И.В. Основы медицинской статистики. Дизайн биомедицинских исследований: практическое руководство / И.В. Жильцов, В.М. Семенов, С.К. Зенькова. Витебск: ВГМУ, 2014. 154 с. URL: https://core.ac.uk/download/pdf/80150469.pdf.

16. Иллариошкин С.Н. Течение болезни Паркинсона и подходы к ранней диагностике // Болезнь Паркинсона и расстройства движений: рук-во для врачей по материалам II Национ. конгресса. 2011. С. 41-47.

17. Кармадонов В. Ю. Методы отслеживания положения в виртуальной реальности // Academy. 2019. №12. C. 19-22.

URL: https://cyberleninka.ru/article/n/metody-otslezhivaniya-polozheniya-v-virtualnoy realnosti (дата обращения: 06.04.2021).

18. Катунина А. Е. Диагностика и лечение ранних стадий болезни Паркинсона: методическое пособие // А. Е. Катунина, Н. В. Титова. - М. 2011. С. 3.

19. Костюк П. Г., Структура и функция нисходящих систем спинного мозга, Л., 1973. 279 c.

20. Левин О.С. Развитие моторных флюктуаций у больных с различными стадиями болезни Паркинсона // Атмосфера. Нервн. бол. 2005. №1. С. 10-16.

21. Левин О.С., Федорова Н.В. Болезнь Паркинсона, 5-е изд. М.: МЕДпресс-информ, 2015. 383 с.

22. Литвиненко И.В. Болезнь Паркинсона. М.: Миклош. 2006.216 с.

23. Неврология. Национальное руководство. Краткое издание / под ред. Е.И. Гусева, А.Н. Коновалова, А.Б. Гехт. М.: ГЭОТАР-Медиа, 2018. 688 с.

24. Новая шкала оценки болезни Паркинсона - MDS-UPDRS / Московко С.П. [и др.] // НейроNews. 2008. T. 5. URL: https://neuronews.com.ua/ru/archive/2008/5%2810%29/article-138/novaya-shkala-ocenki-bolezni-parkinsona-mds-updrs#gsc.tab=0

25. О взаимодействии учреждений социальной защиты и здравоохранения по организации медико-социальной помощи больным хроническими прогрессирующими заболеваниями / Воронова Е.А. [и др.] // Проблемы управления здравоохранением. 2011. № 4. C. 58-60.

26. Плохинский Н. А. Биометрия. М., 1970. 367 с.

27. Постуральные нарушения при болезни Паркинсона / Карпова Е.А. [и др.] // Неврологич. журн. 2003. Т. 8. № 2. С. 36-42.

28. Раздонская В.В. Распространенность болезни Паркинсона и возможности улучшения диагностики на амбулаторно-поликлиническом этапе оказания специализированной помощи: автореф. ... дис. канд. мед. наук. Саратов. 2013. 28 с.

29. Раздорская В. В., Юдина Г. К. Клиническая диагностика болезни Паркинсона // БМИК. 2014. Т.4. №3. С.175-177. URL: https://cyberleninka.rU/article/n/klinicheskaya-diagnostika-bolezni-parkinsona (дата обращения: 26.10.2020).

30. Разработка и исследование алгоритмов автоматического распознавания базовых эмоций по 2D изображению лица / Мошкова А.А. [и др.] // XIII Международная научная конференция «Физика и радиоэлектроника в медицине и экологии с научной молодежной школой им. И.Н. Спиридонова (ФРЭМЭ'2018)». 2018. C. 65-68.

31. Разработка и исследование метода автоматизированного распознавания болезни Паркинсона на основе комбинации признаков двигательной активности рук, мимической активности и лицевой выразительности / Мошкова А.А. [и др.] // Биомедицинская радиоэлектроника. 2021. T. 24. № 1. С. 5-17.

32. Статистика: Учебник / И.И. Елисеева, И.И. Егорова и др.; Под ред. проф. И.и. Елисеевой. М.: ТК Велби, Изд-во Проспект, 2003. 448 с.

33. Сушкова О.С. Система скрининговой ранней диагностики паркинсонизма на основе анализа параметров мониторинга сигналов многоканальных электроэнцефалограмм, электромиограмм и мышечного тремора: дис. ... канд. техн. наук. Москва. 2017. 116 с.

34. Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа. Руководство для экономистов. Перевод с немецкого и предисловие В. М. Ивановой, М.: Финансы и статистика, 1983 г. 304 с.

35. Шаповалов А. И., Нейроны и синапсы супраспинальных моторных систем, Л., 1975. 228 с.

36. Эконометрика: Учебник / под ред. И.И. Елисеевой. - М: Финансы и статистика, 2002. C. 344.

37. Яхно Н. Н., Штульман Д. Р. Болезни нервной системы // М.: Медицина. 2001. Т. 2. С. 76-95. 744 с.

38. Accuracy of a markerless acquisition technique for studying speech articulators / Bandini A. [et al.] // Proc. of INTERSPEECH. 2015. C. 2162-2166.

39. Affectiva. URL: https://www.affectiva.com

40. Age at onset and Parkinson disease phenotype / Pagano G. [et al.] //Neurology. 2016. T. 86. C. 1400-1407. doi: 10.1212/WNL.0000000000002461.

41. Analysis of facial expressions in Parkinson's disease through video-based automatic methods / A. Bandini [et al.] // Journal of Neuroscience Methods. 2017. T. 281. C. 7-20. doi: 10.1016/j.jneumeth.2017.02.006.

42. Altered kinematics of facial emotion expression and emotion recognition deficits are unrelated in parkinson's disease / Bologna M. [et al.] // Frontiers in neurology. 2016. T. 7. doi: 10.3389/fneur.2016.00230.

43. Ambulatory quantitative assessment of body position, bradykinesia, and hypokinesia in Parkinson's disease / Dunnewold R.J. [et al.] // J Clin Neurophysiol. 1998. T. 15. № 3. C. 235- 242.

44. An integrated multi-sensor approach for the remote monitoring of Parkinson's disease / Giovanni A. [et al.] // Sensors. 2019. T. 19. doi: 10.3390/s19214764.

45. A Self-Managed System for Automated Assessment of UPDRS Upper Limb Tasks in Parkinson's Disease / Ferraris C. [et al.] // Sensors. 2018. T. 18. doi: 10.3390/s18103523.

46. Automated facial action coding system for dynamic analysis of facial expressions in neuropsychiatric disorders / Hamm J. [et al.] // J. Neurosci. Meth. 2011. T. 200. C. 237-256. doi: 10.1016/j.jneumeth.2011.06.023.

47. Baltrusaitis T., Robinson P., Morency L., OpenFace: An open source facial behavior analysis toolkit // 2016 IEEE Winter Conference on Applications of Computer Vision (WACV). 2016. C. 1-10. doi: 10.1109/WACV.2016.7477553.

48. Bobe A., Konyshev D., Vorotnikov S. Emotion Recognition System for Human-Robot Interface: Comparison of Two Approaches // ICR 2017 Interactive Collaborative Robotics. 2017. C. 20-28. doi: 10.1007/978-3-319-66471-2 3.

49. Body-worn motion sensors detect balance and gait deficits in people with multiple sclerosis who have normal walking speed / Spain R. [et al.] // Gait Posture. 2012. T. 35. C. 573-578. doi: 10.1016/j.gaitpost.2011.11.026.

50. Box G. E. P., Cox D. R. An analysis of transformations // Journal of the Royal Statistical Society: Series B (Methodological). 1964. T. 26. C. 211-246. doi: 10.1111/j.2517-6161.1964.tb00553.x.

51. Bradykinesia of posed smiling and voluntary movement of the lower face in Parkinson's disease / Marsili L. [et al.] // Parkinsonism Relat. Disord. 2014. T. 20, C. 370-375. doi: 10.1016/j.parkreldis.2014.01.013.

52. Brain W. Brain's clinical neurology. 5th ed. Oxford: Oxford University Press. 1978. 509 c.

53. Correlation between Kinesia system assessments and clinical tremor scores in patients with essential tremor / Giovanni M. [et al.] // Mov. Disord. 2010. T. 25. C. 1938-1943. doi: 10.1002/mds.23201.

54. Daphne. URL: http://clinicaltrials.gov/ct2/show/NCT00141518

55. Davie C. A. A review of Parkinson's disease // Br Med Bull. 2008. T. 86. C. 109—127. doi: 10.1093/bmb/ldn013.

56. de Lau L. M., Breteler M. M. Epidemiology of Parkinson's disease // The Lancet. 2006. T. 5. №6. C. 525—535. doi: 10.1016/S1474-4422(06)70471-9.

57. Diagnosing Parkinson Disease Through Facial Expression Recognition: Video Analysis / Jin B. [et al.] // J Med Internet Res. 2020. T. 22. № 7. doi: 10.2196/18697.

58. Discriminating mild parkinsonism: methods for epidemiological research / Camicioli R. [et al.] // Mov Disord. 2001. T. 16. C. 33-40. doi: 10.1002/1531-8257(200101)16:1<33::AID-MDS1014>3.0.C0;2-W.

59. Distinguishing Between Parkinson's Disease and Essential Tremor Through Video Analytics Using Machine Learning: a Pilot Study / Kovalenko E. [et al.] // in IEEE Sensors Journal. 2020. doi: 10.1109/JSEN.2020.3035240.

60. Duchenne de Boulogne G. B. The Mechanism of Human Facial Expression. New York, NY: Cambridge University Press, 1990. 308 c.

61. EFNS/MDS-ES recommendations for the diagnosis of Parkinson's disease / Berardellia A. [et al.] // Eur. J. Neurol. 2013. T. 20. C. 16-34. doi: 10.1111/ene.12022.

62. Ekman P., Friesen W., Hager J. C. Facial Action Coding System. Manual and Investigator's Guide, Salt Lake City, UT: Research Nexus. 2002. 197 c.

63. Ekman P., Friesen W. The facial action coding system: A technique for the measurement of facial movement // In Consulting Psychologists. 1978.

64. Emotional and nonemotional facial expressions in people with Parkinson's disease / Simons G. [et al.] // J. Int. Neuropsychol. Soc., 2004. T.10. C. 521-535. doi: 10.10170S135561770410413X521.

65. Emotional facial imagery, perception, and expression in Parkinson's disease / Jacobs D. H. [et al.] // Neurology. 1995. T. 45, № 9. C. 1696-1702. doi: 10.1212/WNL.45.9.1696.

66. Evaluation of a portable markerless finger position capture device: accuracy of the Leap Motion controller in healthy adults / Tung J.Y. [et al] // Physio Meas. 2015. T. 36. C. 1025-1035. doi: 10.1088/0967-3334/36/5/1025

67. Evaluating a markerless method for studying articulatory movements: application to a syllable repetition task / Bandini A. [et al.] // Proc. of MAVEBA. 2015. C. 99-102.

68. Evarts E.V., Teravainen H., Calne D.B. Reaction time in Parkinson's disease // Brain. 1981. T. 104. C. 167- 186. doi: 10.1093/brain/104.1.167.

69. Expression of emotion and quality of life after facial nerve paralysis / Coulson S. E. // Otology & Neurotology. 2004. T. 25. C. 1014-1019.

70. FaceReader. URL: https://www.noldus.com/facereader

71. Faces of emotion in Parkinsons disease: micro-expressivity and bradykinesia during voluntary facial expressions / Bowers D. [et al.] //J. Int. Neuropsych. Soc. 2006. T. 12. C. 765-773. doi: 10.10170S135561770606111X.

72. Facial bradykinesia / Bologna M. [et al.] // J. Neurol. Neurosurg. Psychiatry. 2013. T. 84. C. 681-685. doi:10.1136/jnnp-2012-303993.

73. Facial Emotional Expression Assessment in Parkinson's Disease by Automated Algorithm Based on Action Units / Moshkova A. [et al.] // 2020 27th

Conference of Open Innovations Association (FRUCT). 2020. C. 172-178. doi: 10.23919/FRUCT49677.2020.9211028.

74. Facial emotion recognition in Parkinson's disease: a review and new hypotheses / Argaud S [et al.] // Movement Disorders. 2018. T. 33. №. 4. C .554 - 567. doi: 10.1002/mds.27305.

75. Fereshtehnejad S.M., Skogar Ö., Lökk J. Evolution of Orofacial Symptoms and Disease Progression in Idiopathic Parkinson's Disease: Longitudinal Data from the Jönköping Parkinson Registry // Parkinsons Dis. 2017. T. 2017. doi: 10.1155/2017/7802819.

76. Functional organization of the basal ganglia: therapeutic implications for Parkinson's disease / Obeso J. A. [et al.] // Mov. Disord. 2008. T. 23, № 3. C. S548 -S559. doi: 10.1002/mds.22062.

77. Gender-, age-, and race/ethnicity-based differential item functioning analysis of the movement disorder society-sponsored revision of the Unified Parkinson's disease rating scale. / Goetz C. G. [et al.] //Mov Disord. 2016. T. 12. doi: 10.1002/mds.26847.

78. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine learning. 2006. T. 63. C. 3-42. doi: 10.1007/s10994-006-6226-1.

79. Gibb W.R., Lees A.J. The relevance of the Lewy body to the pathogenesis of idiopathic Parkinson's disease // J. Neurol. Neurosurg. Psychiatry. 1988. T. 51. C. 745-752.

80. Hand Movement Kinematic Parameters Assessment for Parkinson's Disease Patients / Moshkova A.A. [h gp.] // 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), St. Petersburg and Moscow, Russia, 2021. P. 2836-2841.

81. Hess U., Fischer, A. Emotional mimicry as social regulation // Pers. Soc. Psychol. Rev. 2013. T. 17. C. 142-157. doi: 10.1177/1088868312472607.

82. High Accuracy Discrimination of Parkinson's Disease from Healthy Controls by Hand Movements Analysis Using LeapMotion Sensor and 1D Convolutional Neural Network / Moshkova A. [et al.] // 2020 Ural Symposium on

Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). 2020. C. 62-65. doi: 10.1109/USBEREIT48449.2020.9117736.

83. Hoehn M. M., Yahr M. D. Parkinsonism onset progression and mortality // Neurology. 1967. T. 17. №. 5. C. 427-427.

84. Hypokinesia without decrement distinguishes progressive supranuclear palsy from Parkinson's disease / Ling H. [et al.] // Brain. 2012. T. 135. №. 4. C. 1141 -53. doi: 10.1093/brain/aws038.

85. Hypomimia in Parkinson's disease: an axial sign responsive to levodopa / Ricciardi L. [et al.] // Eur J Neurol. 2020. T.27. C. 2422-2429. doi: 10.1111/ene.14452.

86. iMotions. URL: https://imotions.com/

87. Intel RealSense. URL: https://www.intelrealsense.com/

88. Interrater reliability of the Unified Parkinson's Disease Rating Scale motor examination/ Richards M. [et al.] // Mov. Disord. 1994. Vol.9. № 1. C. 89-91. doi: 10.1002/mds.870090114.

89. Kinect. URL: https://developer.microsoft.com/en-us/windows/kinect/

90. Kouli A., Torsney K. M., Kuan W.L., Parkinson's Disease: Etiology, Neuropathology, and Pathogenesis // Parkinson's Disease: Pathogenesis and Clinical Aspects. 2018. C. 3-26. doi: 10.15586/codonpublications.parkinsonsdisease.2018.ch1.

91. Leap motion evaluation for assessment of upper limb motor skills in Parkinson's disease / Butt A.H. [et al.] // in Proceedings of the 2017 International Conference on Rehabilitation Robotics (ICORR). 2017. C. 116-121. doi: 10.1109/IC0RR.2017.8009232.

92. Leap Motion. URL: https://developer-archive.leapmotion.com

93. Looking at pictures: affective, facial, visceral, and behavioral reactions/ Lang, P. J. [et al.] // Psychophysiology. 1993. T. 30. C. 261-273. doi: 10.1111/j.1469-8986.1993.tb03352.x.

94. Lu W., Tong Z., Chu J. Dynamic Hand Gesture Recognition with Leap Motion Controller // IEEE Signal Processing Letters. 2016. T. 23. № 9. C. 1188-1192. doi: 10.1109/LSP.2016.2590470.

95. Maachi I. El, Bilodeau G.A., Bouachir W. Deep 1D-convnet for accurate Parkinson disease detection and severity prediction from gait // Expert Syst. Appl. 2020. T. 143. doi: 10.1016/j.eswa.2019.113075.

96. Madeley P., Ellis A.W., Mindham R.H.S. Facial expressions and Parkinson's disease // Behav. Neurol. 1995. T. 8. № 3. C. 115-119. doi: 10.3233/BEN-1995-8207.

97. Markerless analysis of articulatory movements in patients with Parkinson's disease / Bandini A. [et al.] // J. Voice. 2016. T. 30. C. 766.e1-766.e11. doi: 10.1016/j.jvoice.2015.10.014.

98. Measuring Parkinson's disease over time: the real-world within-subject reliability of the MDS-UPDRS / Evers L.J.W. [et al.] // Mov Disord. 2019. T. 34. C. 1480-1487.

99. Metric properties of nurses' ratings of parkinsonian signs with a modified Unified Parkinson's Disease Rating Scale / Bennett D.A. [et al.] // Neurology. 1997.T. 49. C. 1580-1587. doi: 10.1212/WNL.49.6.1580.

100. Microglial exosomes facilitate a-synuclein transmission in Parkinson's disease / Guo M. [et al.] // Brain. 2020. T. 143. C. 1476-1497. doi: 10.1093/brain/awaa090

101. Mimic recognition and reproduction in bilateral human-robot speech communication / Yuschenko A. [et al.] // ICR 2016 Interactive Collaborative Robotics. 2016. T. 9812. C.133-142. doi: 10.1007/978-3-319-43955-6_17.

102. Motor, cognitive and affective disorders in Parkinson's disease / Vendrova M.I. [et al.] // S.S. Korsakov Journal of Neurology and Psychiatry. 2003. T. 102. №3. C.13-17.

103. Movement Disorder Society Task Force report on the Hoehn and Yahr staging scale: status and recommendations / Goetz C.G. [et al] // Movement Disorders. 2004. T. 19. C. 1020-1028. doi: 10.1002/mds.20213.

104. Moshkova A. A., Samorodov A. V. Study of the Algorithm for Assessing a Person's Emotional State by a Face Image Using Actions Units // 2020 IEEE

Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). 2020. C. 2519-2523. doi: 10.1109/EIConRus49466.2020.9039234.

105. Movement Disorder Society-sponsored revision of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS): scale presentation and clinimetric testing results / C. G. Goetz [et al.] // Mov. Disord. 2008. T. 23. C. 2129-2170. doi: 10.1002/mds.22340.

106. Nviso. URL: https://www.nviso.ai/

107. Objectifying facial expressivity assessment of Parkinson's patients / Wu P. [et al.] // Computational and Mathematical Methods in Medicine. 2014. doi: 10.1155/2014/427826.

108. Objective and automatic classification of Parkinson disease with Leap Motion controller / Butt A.H. [et al.] // Biomed. Eng. Online. 2018. T. 17. doi: 10.1186/s12938-018-0600-7.

109. Openface 2.0: Facial behavior analysis toolkit / Baltrusaitis T. [et al.] // in Automatic Face & Gesture Recognition (FG 2018), 2018 13th IEEE International Conference on. IEEE. 2018. C. 59-66. doi: 10.1109/FG.2018.00019.

110. Optical Hand Tracking: A Novel Technique for the Assessment of Bradykinesia in Parkinson's Disease / Bank J.M.P. [et al.] // Mov. Disord. Clin. Pract. 2017. T. 4. C. 875-883. doi: 10.1002/mdc3.12536.

111. ParkNosis: Diagnosing parkinsons disease using mobile phones / Sahyoun A. [et al.] // in 2016 IEEE 18th International Conference on e-Health Networking, Applications and Services (Healthcom). 2016. C. 1-6. doi: 10.1109/HealthCom.2016.7749491.

112. Parkinson's Disease Detection by Using Machine Learning Algorithms and Hand Movement Signal from LeapMotion Sensor / Moshkova A. [et al.] // 2020 26th Conference of Open Innovations Association (FRUCT). 2020. C. 321-327, doi: 10.23919/FRUCT48808.2020.9087433.

113. Perlmutter J. S. Assessment of Parkinson disease manifestations // Current protocols in neuroscience. 2009. T. 49. C. 10.1.1-10.1.14. doi: 10.1002/0471142301.ns1001s49.

114. PERFORM: a system for monitoring, assessment and management of patients with Parkinson's disease / Tzallas A. T. [et al.] // Sensors. 2014. T. 14. doi: 10.3390/s141121329.

115. Presentation and validation of the radboud faces database / Langner O. [et al.] // Cognition and Emotion. 2010. T. 24, №. 8. C. 1377-1388. doi: 10.1080/02699930903485076.

116. Physical activity monitoring based on accelerometry: Validation and comparison with video observation / Aminian K. [et al.] // Med. Biol. Eng. Comput. 1999. T. 37. C. 304-308. doi: 10.1007/BF02513304.

117. Quantification of Dyskinesia in Parkinson's Disease: Validation of a Novel Instrumental Method / Burkhard P. [et al.] // Mov. Disord. 1999. T. 14. C. 754-763. doi: 10.1002/1531-8257(199909)14:5<754::AID-MDS1007>3.0.œ;2-1.

118. Quantification of tremor and bradykinesia in Parkinson's disease using a novel ambulatory monitoring system / Salarian A. [et al.] // IEEE Trans Biomed Eng. 2007. T. 54. № 2. C. 313- 322. doi: 10.1109/TBME.2006.886670.

119. Quantifying Hypomimia in Parkinson Patients Using a Depth Camera / Vinokurov N. [et al.] // the 5th EAI International Symposium on Pervasive Computing Paradigms for Mental Health. 2015. T. 604. doi: 10.1007/978-3-319-32270-4_7.

120. Rating impairment and disability in Parkinson's disease: evaluation of the unified Parkinson's disease rating scale / van Hilten J. J. [et al.] // Movement Disorders. 1994.T. 9. № 1. C. 84-88. doi: 10.1002/mds.870090113.

121. Reduced facial expressiveness in parkinson's disease: A pure motor disorder? / Ricciardi L. [et al.] // J. Neurol. Sci.. 2015. T. 358. C. 125-130. doi: 10.1016/j.jns.2015.08.1516.

122. REMPARK: When AI and technology meet Parkinson Disease assessment / Cabestany J. [et al.] // In Proceedings of the 20th International Conference Mixed Design of Integrated Circuits and Systems (MIXDES). 2013. C. 562-567.

123. Samii A., Nutt J. G., Ransom B. R. Parkinson's disease // The Lancet. 2004. T. 363. C. 1783—1793. doi: 10.1016/S0140-6736(04)16305-8.

124. Scales for rating motor impairment in Parkinson's disease: studies of reliability and convergent validity / Henderson L. [et al.] // J Neurol Neurosurg Psychiatry. 1991. T. 54, C. 18-24. doi: 10.1136/jnnp.54.1.18.

125. Sentence-Level Movements in Parkinson's Disease: Loud, Clear, and Slow Speech / Kearney E. [et al.] // J. Speech Lang. Hear. Res. 2017. T. 60. C. 3426-3440. doi: 10.1044/2017_JSLHR-S-17-0075.

126. Shapiro S.S., Wilk M.B. An Analysis of Variance Test for Normality (Complete Samples) // Biometrika. 1965. T. 52. №. 3/4. C. 591-611. doi: 10.2307/2333709.

127. Simons G., Ellgring H., Smith M. P. Disturbance of spontaneous and posed facial expressions in Parkinson's disease // J. Cogn. Emot. 2003. T. 17. № 5. C. 759778. doi: 10.1080/02699930302280.

128. Smith M. C., Smith M. K., Ellgring H., Spontaneous and posed facial expression in parkinson's disease // Journal of the International Neuropsychological Society. 1996. T. 2. №. 5. C. 383-391. doi: 10.1017/S1355617700001454.

129. Staging of brain pathology related to sporadic Parkinson's disease / Braak H. [et al.] // Neurobiol. Aging. 2003. T. 24. C. 197-211. doi: 10.1016/S0197-4580(02)00065-9.

130. Staretu I., Moldovan C. Leap motion device used to control a real anthropomorphic gripper // International Journal of Advanced Robotic Systems. 2016. T. 13. № 3. doi: 10.5772/63973.

131. Studying Facial Activity in Parkinson's Disease Patients Using an Automated Method and Video Recording / Moshkova A.A. [h gp.] // 2021 28th Conference of Open Innovations Association (FRUCT), Moscow, Russia, 2021. P. 301308.

132. Study of the Algorithm for Assessing a Person's Emotional State by a Face Image Using Actions Units / Moshkova A.A. [h gp.] // 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), St. Petersburg and Moscow, Russia, 2020. P. 2519-2523.

133. Technologies Assessing Limb Bradykinesia in Parkinson's Disease / Hasan H. [et al.] // Journal of Parkinson's Disease. 2017. T. 7. № 1. C. 65-77. doi: 10.3233/JPD-160878.

134. The Impact of Trimetazidine on Disease Severity and Quality of Life in Parkinson's Disease / Pinter, D. [et al.] // Sci Rep. T. 10. 2020. doi: 10.1038/s41598-020-66692-5

135. The index of individuality is often a misinterpreted quantity characteristic / Petersen PH [et al.] // Clin Chem Lab Med. 1999. T. 37. №. 6. C. 655-661. doi: 10.1515/CCLM.1999.102.

136. The PARK framework for automated analysis of Parkinson's disease characteristics / Langevin R. [et al.] // Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. 2019. Vol. 3. № 2. C. 1-22. doi: 10.1145/3328925.

137. The progression of pathology in longitudinally followed patients with Parkinson's disease / Halliday G. [et al.] // Acta Neuropathol (Berl). 2008. T.115. C. 409-415. doi: 10.1007/s00401-008-0344-8.

138. The modified Bradykinesia Rating Scale for Parkinson's disease: Reliability and comparison with kinematic measures / Heldman D. A. [et al.] // Movement Disorders. 2011. T. 26, C. 1859- 1863. doi: 10.1002/mds.23740

139. The recognition of facial emotion expressions in Parkinson's disease / Assogna, F. [et al.] // Eur. Neuropsychopharmacol. 2008. T. 18. C. 835-848. doi: 10.1016/j.euroneuro.2008.07.004.

140. Tickle-Degnen L., Lyons K. D. Practitioners' impressions of patients with Parkinson's disease: the social ecology of the expressive mask // Social Science & Medicine. 2004. T. 58, № 3. C. 603-614. doi: 10.1016/S0277-9536(03)00213-2.

141. Tickle-Degnen L. The Interpersonal communication rating protocol: A manual for measuring individual expressive behavior. 2010. 36 c. URL: http: //ase.tufts. edu/hql/documents/researchICRP-IEB.pdf.

142. Tjaden, K. Speech and swallowing in Parkinson's disease // Top. Geriatr. Rehabil. 2008. T. 24. C. 115-126. doi: 10.1097/01.TGR.0000318899.87690.44.

143. Tolosa E., Borght T.V.,Moreno E., Accuracy of DATScan (123I-ioflupane) SPECT in diagnosis of patients with clinically uncertain parkinsonism: 2-year follow-up of an open-label study // Mov Disord. 2007. T. 22. C. 2346-2351. doi: 10.1002/mds.21710.

144. Use of locally weighted scatterplot smoothing (LOWESS) regression to study selection signatures in Piedmontese and Italian Brown cattle breeds / Pintus E. [et al.] // Anim Genet. 2013. doi: 10.1111/age.12076.

145. Valentini P.P., Pezzuti E. Accuracy in fingertip tracking using leap motioncontroller for interactive virtual applications // Int J Interact Design Manuf (IJIDeM). 2017. T. 11. C. 641-650. doi: 10.1007/s12008-016-0339-y

146. Varcin K.J., Bailey P. E., Henry J.D. Empathic deficits in schizophrenia: the potential role of rapid facial mimicry // Journal of the International Neuropsychological Society. 2010. T. 16. C. 621-629. doi: 10.1017/S1355617710000329.

147. World population ageing 2019. Highlights. New York City (NY): United Nations, Department of Economic and Social Affairs. 2019. URL: https://www.un.org/en/development/desa/population/publications/pdf/ageing/WorldPop ulationAgeing2019-Highlights.pdf.

ПРИЛОЖЕНИЕ

П.1. Дополнительные материалы к 3.5.7

Рисунок П1.1.

Корреляционная карта признаков ДАР по трем упражнениям для КГ

Рисунок П1.2.

Корреляционная карта признаков ДАР по трем упражнениям для БП

I I

Рисунок П1.3.

Корреляционная карта признаков МА по двум ДЕ для КГ

Рисунок П1.4.

Корреляционная карта признаков МА по двум ДЕ для БП

а)

б)

Рисунок П1.5.

Корреляционная карта признаков ЛВ: а) для КГ; б) для БП