Frysing av gange (FoG) er et av de vanligste symptomene på Parkinsons sykdom. Kan man bruke maskinlæringsteknikker for å oppdage slike mønstre hos pasientene?
Førsteamanuensis Florenc Demrozi har satt i gang et forskningsprosjekt som ser på bruk av maskinlæring for å oppdage de motoriske symptomene på Parkinsons sykdom. Motoriske symptomer har stor innvirkning på dagliglivet, og det er derfor viktig å forstå dem bedre. Ett av de mest utfordrende symptomene er "frysing av gange" (freezing of gait – FoG), hvor en person plutselig stopper opp og ikke klarer å bevege føttene, ofte utløst av distraksjoner. Disse episodene kan vare fra ett sekund til ett minutt og kan føre til fall, noe som er spesielt farlig for sårbare og eldre pasienter.
Sammen med nasjonale og internasjonale partnere, utvikler de både nye tilnærminger til maskinlæring og bærbare enheter som kan oppdage FoG-mønstre og gripe inn hos brukerne. Denne kombinasjonen av algoritmisk (maskinlæring) og elektronikk (bærbare enheter) har to hovedfunksjoner: å forutsi FoG to til tre sekunder før det skjer og å hjelpe personen ut av tilstanden gjennom stimulering. Målet er å automatisere denne mekanismen, men på grunn av den subjektive opplevelsen av FoG er det utfordrende å lage et universelt system for alle pasienter.
For øyeblikket samler forskerne inn data, men på grunn av den høye variasjonen av FoG og motoriske symptomer blant personer med Parkinsons sykdom, er det utfordrende å skaffe datasett som er mangfoldige nok. Mens forskningen på dette feltet pågår, er det bare et lite antall studier som gir åpen tilgang til data, noe som begrenser muligheten til å utvikle og validere maskinlæringsmodeller effektivt. For å overvinne denne utfordringen bruker teamet såkalte zero-shot (ZSL) og few-shot (FSL) læringsteknikker, som gjør det mulig for modeller å gjenkjenne og klassifisere FoG-episoder selv med minimalt tilgjengelige treningsdata. Både programvaren (KI-modeller) og maskinvaren (bærbare enheter) utvikles internt av forskerteamet. Neste steg er å etablere et åpent samarbeid med et sykehus for å teste KI-systemet på nye Parkinson-pasienter og evaluere hvor effektivt systemet er i å oppdage og forutsi FoG-episoder i virkelige scenarier.