Hyperkinetic movement disorder analysis using multidimensional projections

Abstract

Hyperkinetic movement disorders are a group of conditions characterized by involuntary movements such as tremors, sudden and uncontrollable jerks, abnormal postures, and random movements. These disorders significantly impact the quality of life of affected individuals, often leading to physical discomfort, social stigma, and psychological stress. Diagnosing these disorders has traditionally relied on subjective clinical assessments, which can be inconsistent and prone to human error. Consequently, there is a pressing need for automated methods that can support and improve the accuracy of such diagnoses. Established clinical neurophysiological approaches employ motion sensors to collect movement data from patients as they perform postural, action, or resting tasks. These sensors, such as accelerometers and gyroscopes, capture detailed information about patients’ movements, which can then be analyzed to classify disorders. However, interpreting the highly dimensional space of patients, tasks, sensors, and disturbances is challenging and time-consuming. We propose a comprehensive workflow to explore this complex data space. Our workflow involves several steps: selecting appropriate subsets of data, transforming that data into a more manageable format, and analyzing it using multidimensional projections. This approach allows us to visualize and interpret the intricate relationships within the data, facilitating a better understanding of the underlying movement patterns associated with different disorders. We specifically focus on analyzing motion sensor (accelerometer and gyroscope) data collected from patients with hyperkinetic movement disorders, particularly essential tremor, and cortical myoclonus, while they perform various motor tasks. Our findings demonstrate how our workflow can lead to an automated pipeline that effectively separates individuals with disorders from healthy individuals.

Distúrbios de movimento hipercinéticos são um grupo de condições caracterizadas por movimentos involuntários como tremores, espasmos súbitos e incontroláveis, posturas anormais e movimentos aleatórios. Esses distúrbios impactam significativamente a qualidade de vida dos indivíduos afetados, frequentemente levando a desconforto físico, estigma social e estresse psicológico. O diagnóstico desses distúrbios tradicionalmente depende de avaliações clínicas subjetivas, que podem ser inconsistentes e propensas a erros humanos. Consequentemente, há uma necessidade urgente de métodos automáticos que possam apoiar e melhorar a precisão desses diagnósticos. Abordagens neurofisiológicas clínicas estabelecidas empregam sensores de movimento para coletar dados de movimento de pacientes enquanto realizam tarefas posturais, de ação ou em repouso. Esses sensores, como acelerômetros e giroscópios, capturam informações detalhadas sobre os movimentos dos pacientes, que podem ser analisadas para classificar os tipos de distúrbios. No entanto, interpretar o espaço altamente dimensional composto por pacientes, tarefas, sensores e distúrbios é desafiador e demorado. Propomos um fluxo de trabalho abrangente para explorar esse espaço de dados complexo. Nosso fluxo de trabalho envolve várias etapas: selecionar subconjuntos apropriados de dados, transformar esses dados em um formato mais manejável e analisá-los usando projeções multidimensionais. Essa abordagem nos permite visualizar e interpretar as relações intrincadas dentro dos dados, facilitando uma melhor compreensão dos padrões de movimento subjacentes associados a diferentes distúrbios. Focamos especificamente na análise de dados de sensores de movimento (acelerômetro e giroscópio) coletados de pacientes com distúrbios de movimento hipercinéticos, particularmente tremor essencial e mioclonia cortical, enquanto realizam várias tarefas motoras. Nossos resultados demonstram como nosso fluxo de trabalho pode levar a um pipeline automatizado que pode efetivamente separar indivíduos com distúrbios de indivíduos saudáveis.