Leveraging Action Unit Derivatives for Early-Stage Parkinson's Disease Detection
Notice bibliographique
Résumé
Hypomimia is a symptom of Parkinson's disease (PD), involving a decrease in facial movements and a loss of emotional expressions on the face. The objective of this study is to identify hypomimia in individuals in the early stage of PD by analyzing facial action units (AUs). Our study included video recordings from 109 PD subjects and 45 healthy control (HC) subjects with an average of two videos per person (294 videos in total). The participants were requested to perform rapid syllable repetitions. For the purpose of discriminating between normal facial muscle movements and those specific to PD subjects experiencing hypomimia, we calculate the derivatives of the AUs. We derive global features based on the AUs intensities and their derivatives, and utilize XGBoost and Random Forest to perform the classification between PD and HC. We achieve subject-level classification scores of up to 73.7% for balanced accuracy (BA) and an area under the curve (AUC) of 81.39% using XGBoost, and a BA of 79.1% and an AUC of 83.7% with Random Forest. These findings show potential in identifying hypomimia during the early phases of PD. Moreover, this research could facilitate the continuous monitoring of hypomimia beyond hospital settings, enabled by telemedicine. • We propose a new method to detect early-stage Parkinson's disease from face videos. • Facial movement is quantified using the derivatives of facial action units (AUs). • Good discrimination Parkinson's disease vs. healthy controls is shown with XGBoost. • Clinical interpretation of the classifier's output is proposed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».