帕金森氏病是一種影響全世界超過1000萬人的神經退行性疾病，傳統上通過發現緩慢運動，休息震顫（即四肢晃動）和肌肉僵硬來臨牀診斷。但早期發現它並不容易 - 沒有針對帕金森氏症的具體，客觀的診斷測試。
令人鼓舞的是，牛津大學的科學家在開發一個框架方面取得了進展，他們聲稱這個框架可以自動檢測帕金森症的早期預測因素：快速眼動（REM）睡眠行爲障礙（RBD）。他們在預印本服務器Arxiv.org上發表的一篇新論文（“ 通過自動多導睡眠圖分析檢測REM睡眠行爲障礙 ”）中對此進行了描述。
研究人員寫道：“有明顯的證據表明，RBD是帕金森病，路易體病和多系統萎縮的前兆，多年來一直存在。” “因此，準確的RBD診斷將爲這些神經退行性疾病的發展提供寶貴的早期檢測和見解......在本研究中，我們提出了一種用於RBD檢測的全自動管道。”
他們指出，RBD的一些自動評分算法已經存在，它們考慮了多導睡眠圖和無睡眠的REM睡眠證據 - 這是國際睡眠障礙分類標準化的RBD診斷的兩個要求。但其中很多都不是爲老年人或患有睡眠障礙的人設計的。
這與瑞士蘇黎世機器人和智能系統研究所的研究人員所採取的方法截然不同，他在10月份發表的一篇論文中詳細介紹了一種人工智能系統，該系統可以通過一系列基於智能手機的測試收集數據來診斷帕金森症。
設計和測試模型
在建立數據集時，牛津科學家從蒙特利爾睡眠研究中心的53名患者中獲取睡眠研究記錄，這是一個基於實驗室記錄的開放存取數據庫。所有這些都由專家註釋並經過預處理以減少噪音。
爲了對每個睡眠階段進行分類，研究人員使用隨機森林（RF）模型 - 一種監督學習算法，構建決策樹集合並輸出各個樹的平均預測 - 以及從腦電圖中提取的156個特徵（大腦活動記錄） ，睡眠研究筆記，電眼圖（眼球運動記錄）和肌電圖（骨骼肌產生的電活動記錄）。
對於RBD檢測，RF分類器使用技術來訓練肌肉萎縮（肌肉失去其強度的狀況）和其他特徵。（Atonia是RBD最重要的預測因子。）在測試中，使用手動註釋睡眠分期時，準確度提高了10％至96％，並且在使用自動睡眠分期時保持較高（92％）。
該團隊指出，通過更好的自動化睡眠階段分類可以進一步改善結果 - 可能是一種涉及深度學習的技術，分層數學函數模仿大腦中神經元的行爲。
他們表示，未來的工作將研究RBD檢測框架如何應用於臨牀環境，以及非運動特徵（如睡眠期間心率變異性改變）如何幫助描繪RBD。該團隊還將尋求在一系列疾病中應用改進的睡眠分期算法，同時結合信號以增強RBD檢測。
“該算法優於單個指標，”研究人員寫道。“[該]研究驗證了一種易於處理，全自動化且敏感的RBD識別管道，可以轉化爲可穿戴的帶回家技術，”