Handgelenkbasierte Sensorsysteme zur Erkennung von Dyskinesien bei Parkinson - Chancen und Limitationen

Abstract

Diese Dissertation untersucht die methodischen Grundlagen, Chancen und Limitationen handgelenkbasierter Sensorsysteme zur automatisierten Erkennung von Levodopa-induzierten Dyskinesien bei Parkinson-Patient:innen. Im Zentrum steht die Hypothese, dass semantische Merkmalsräume, orientiert an ärztlicher Beobachtungslogik, eine bessere Generalisierbarkeit auf klinisch fremde Daten ermöglichen als rein datengetriebene Verfahren. Die Grundlage bildeten zwei öffentliche Datensätze sowie ein eigenständig erhobener klinischer Datensatz mit standardisierten klinischen Labels. Verglichen wurden zwei Repräsentationsstrategien: (1) eine semantische Methode mit dimensionaler Reduktion und biomechanischen Merkmalen sowie (2) eine automatisierte Merkmalsextraktion. Die Modelle wurden auf den öffentlichen Daten trainiert und anschließend unverändert auf den eigenen klinischen Datensatz übertragen. Die Leistungsbewertung erfolgte mittels ungewichtetem F1-Score. Im Trainingssetting erreichten automatisierte Verfahren F1-Werte von bis zu 0,68, während die semantische Methode 0,63 erzielte. In der externen klinischen Validierung hingegen zeigte sich eine hybride Strategie als am leistungsfähigsten (F1 = 0,53), gefolgt von der semantischen (F1 = 0,48) und der rein automatisierten Methode (F1 = 0,37). Die Unterschiede waren statistisch signifikant (p < 0,001). Die Ergebnisse belegen, dass klinisch fundierte Repräsentationen zu einer höheren Robustheit und Interpretierbarkeit führen. Damit liefern kontinuierlich aufgezeichnete, semantisch aufbereitete Sensorsignale eine tragfähige Grundlage für zukünftige Entscheidungsunterstützungssysteme zur individualisierten Therapieanpassung bei Parkinson. Für eine breite klinische Implementierung sind jedoch multizentrische Studien und standardisierte Protokolle erforderlich. Die in dieser Arbeit entwickelten Methoden bilden bereits die Grundlage für zwei klinische Folgeprojekte, die auf vernetzten Sensorsystemen basieren und eine objektive, kontinuierliche Erfassung des Krankheitsverlaufs anstreben.

This dissertation explores the methodological foundations, opportunities, and limitations of wrist-worn sensor systems for the automated detection of levodopa-induced dyskinesia in patients with Parkinson’s disease. At its core, the study hypothesizes that semantically informed feature representations, aligned with clinical observation logic, offer better generalizability to unseen clinical data than purely data-driven approaches. The analysis draws upon two publicly available datasets and a newly collected clinical dataset labeled by using standardized clinical criteria. Two representation strategies were compared: (1) a semantic method combining dimensionality reduction with biomechanical features, and (2) an automated time-series feature extraction approach. Models were trained on the public data and then applied unchanged to the clinical dataset. Performance was evaluated using the unweighted F1-score. In training, automated methods achieved F1 scores up to 0.68, while the semantic approach reached 0.63. However, during external clinical validation, a hybrid strategy combining PCA with automated extraction performed best (F1 = 0.53), followed by the semantic method (F1 = 0.48) and the purely automated one (F1 = 0.37). These differences were statistically significant (p < 0.001). The results demonstrate that clinically grounded data representations yield higher robustness and interpretability. Consequently, continuous and semantically processed sensor signals provide a promising foundation for future decision support systems aimed at individualized therapy adjustment in Parkinson’s care. However, broader clinical implementation will require larger multicenter studies and standardized data protocols. The methods developed in this work already serve as the basis for two ongoing clinical follow-up projects that use networked sensor systems to enable objective, continuous monitoring of disease progression.