Machine-learning to promote better practices of low-cost wearable devices in tremor diseases

Abstract

(English) The most common tremor disorders worldwide are Parkinson's Disease and Essential Tremor. The gold standard for diagnosing these movement disorders is medical evaluation by neurologists, but its accuracy depends on the expertise of the doctor. Although there are effective tests such as 123I-FP-CIT SPECT, they are costly and have limited accessibility in developing regions. Additionally, these tests can be invasive.

Currently, no cost-effective and non-invasive methods exist to differentiate these disorders accurately. Some research has used inertial measurement units to record and classify tremors, but their clinical implementation is complicated. This study focuses on developing an affordable, non-invasive, and easy-to-use diagnostic support tool using wearable devices with inertial sensors and machine learning-based classification models to achieve real-time classification of these disorders.

To achieve this, an initial kinematic analysis of hand tremor records was conducted using accelerometers and gyroscopes from smartphones and inertial measurement units. Discriminatory features of tremors in the frequency spectrum were extracted, and machine learning models were developed to distinguish between physiological and pathological tremors and between the two types of tremors of interest. The initial phase results were published in three articles, demonstrating the potential of this methodology.

The tool was conceived as a modular system that includes a mobile application for data acquisition, a RESTful API for processing and classifying data, and a database for storing patient records. The mobile application was developed in Kotlin for Android devices, while the algorithms and models were implemented in Python along with the RESTful API. A PostgreSQL database was also implemented to store patient records with confirmed diagnoses. It will be used to continuously improve the accuracy of machine learning models to make them more robust. This project is called TremorSoft.

This approach aims to provide a cost-effective and accurate solution to assist in differentiating tremor disorders, improving healthcare in resource-limited areas and offering a helpful tool for neurologists and specialized doctors.

(Español) Los trastornos de temblor más comunes a nivel mundial son la Enfermedad de Parkinson y el Temblor Esencial. La evaluación médica por neurólogos es el gold-standard para diagnosticar estos trastornos del movimiento, pero su precisión depende de la experiencia del médico. Aunque existen pruebas efectivas como el 123I-FP-CIT SPECT, son pruebas costosas y de acceso limitado en regiones en desarrollo. Además, estas pruebas pueden ser invasivas.

Actualmente, no hay métodos económicos y no invasivos para diferenciar estos trastornos con precisión. Algunas investigaciones han utilizado unidades de medición inercial para registrar y clasificar temblores, pero su implementación clínica es complicada. Este estudio se enfoca en desarrollar una herramienta de apoyo al diagnóstico que sea asequible, no invasiva y fácil de usar, utilizando dispositivos portátiles con sensores inerciales y modelos de clasificación basados en aprendizaje automático para lograr una clasificación en tiempo real de estos trastornos.

Para lograr esto, se realizó un análisis cinemático inicial de registros de temblores en la mano utilizando acelerómetros y giroscopios de teléfonos inteligentes y unidades de medición inercial. Se extrajeron características discriminatorias de los temblores en el espectro de frecuencia y se desarrollaron modelos de aprendizaje automático para distinguir entre temblores fisiológicos y patológicos, así como entre diferentes los dos tipos de temblores de interes. Los resultados de esta fase inicial se publicaron en tres artículos, demostrando el potencial de esta metodología.

La herramienta se concibió como un sistema modular que incluye una aplicación móvil para la adquisición de datos, una API RESTful para procesar y clasificar datos, y una base de datos para almacenar registros de pacientes. La aplicación móvil se desarrolló en Kotlin para dispositivos Android, mientras que los algoritmos y modelos se implementaron en Python junto con la API RESTful. Se implementó también una base de datos PostgreSQL que almacena registros de pacientes con diagnósticos confirmados, que servirán para mejorar continuamente la precisión de modelos de aprendizaje automático para hacerla más robusta. Este proyecto se denomina TremorSoft.

Este enfoque busca proporcionar una solución rentable y precisa para ayudar en la diferenciación de trastornos de temblor, mejorando la atención médica en áreas con recursos limitados y ofreciendo una herramienta útil para neurólogos y médicos especializados.