Assessing wearable data of chronic low back pain patients
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022-03-22
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3070
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
57+13
Series
Abstract
There is a high need for measuring fear of movement of chronic low back patients automatically. Firstly, Tampa Scale for Kinesiophobia and other scales to measure fear of movement require the patient to fill in questionnaires. These forms lead the patient repeatedly back to the disease. Secondly, automatic kinesiophobia measurement techniques would also be an easy, objective and passive way to personalize the treatment of pain. This thesis creates an algorithm to automatically detect fear of movement out of wearable data. The patients' and the control group's movement data is collected from a digital therapy in a game-like environment in virtual reality from a study called Painlab. Indeed, the Painlab data set enables finding differences between these two groups. On the other hand, the patients' changes in their movement data between different therapy sessions is investigated with a completely separate VIRPI data set. The methods in this thesis are constructed with an incremental design. Firstly, exploratory data analysis is conducted to detect which statistical features differentiate the patients and the control group well. Secondly, the players' time series data is automatically segmented with hidden Markov models, and the segmentation is carefully investigated. Thirdly, these segments are integrated together using the knowledge of exploratory data analysis. Lastly, the created methodology is evaluated with the Painlab test set and the VIRPI data set. Classifying the players into patients and healthy individuals was done reliably with the Painlab data set. Promising results in capturing the patients' development between therapy sessions were also obtained in the VIRPI study. Moreover, the segmentation with hidden Markov models functioned well, which may be helpful for further development of the algorithm. The findings of this research are a major step towards automatic classification of fear of movement. In the future, the created methodology could be used as a digital biomarker of kinesiophobia in the treatment of chronic pain.Kivusta aiheutuva liikkeen pelko olisi hyödyllistä kyetä mittaamaan automaattisesti. Ensinnäkin Tampa Scale for Kinesiophobia ja muut liikkeen pelon mittarit johdattelevat potilasta jatkuvasti täyttämään erilaisia kyselyitä. Näin potilas päätyy toistuvasti pohtimaan sairauttaan, mikä on kaukana tavoiteltavasta. Toiseksi automaattinen liikkeen pelon mittari olisi helppo, objektiivinen ja passiivinen tapa yksilöllistää kipupotilaiden hoito-ohjelmia. Tässä diplomityössä luodaan algoritmi, joka tunnistaa automaattisesti kivun pelkoa puettavan teknologian avulla. Alaselkäkipupotilaiden ja kontrolliryhmän liikedataa kerätään Painlab-tutkimuksessa, jossa kivusta aiheutuvia negatiivisia seurauksia hoidetaan pelillistetyllä digitaalisella terapialla virtuaalimaailmassa. Painlab-datasetti mahdollistaa siis ryhmien välisen erottelun. Lisäksi alaselkäkipupotilaiden liikkeen kehittymistä eri terapiasessioiden välillä tutkitaan kokonaan erillisellä VIRPI-tutkimuksen avulla. Tämän diplomityön mallit monimutkaistuvat työn edetessä. Ensiksi ryhmien välisiä eroja selittäviä tekijöitä tutkitaan eksploratiivisen data-analyysin keinoin. Toiseksi pelaajien aikasarjoja pilkotaan osiin Markovin piilomallilla, ja piilomallin suorituskykyä tutkitaan huolella. Kolmanneksi pilkotut osat ja exploratiivisen data-analyysin tulokset yhdistetään täysin uudessa mallissa. Lopuksi esiteltyä metodologiaa testataan niin Painlab- kuin VIRPI-datalla. Kroonisten alaselkäkipupotilaiden ja kontrolliryhmän liikedatat pystyttiin erottelemaan luotettavasti toisistaan Painlab-tutkimuksessa. Myös lupaavia tuloksia saatiin keskeisten mitattavien suureiden kehittymisestä terapian aikana VIRPI-datan avulla. Lisäksi Markovin piilomalli pilkkoi luotettavasti pelaajien liikedataa samankaltaisiin osiin, mikä voi olla luodun algoritmin jatkokehityksen kannalta hyödyllistä. Kaiken kaikkeaan tämän diplomityön löydökset ovat selkeä askel eteenpäin automaattisessa kivusta aiheutuvan liikkeen pelon tunnistamisessa. Työssä luodulla mallilla on potentiaalia liikkeen pelon biomarkkeriksi kroonisten alaselkäkipupotilaiden hoidossa.Description
Supervisor
Marttinen, PekkaThesis advisor
Liikkanen, SammeliKeywords
digital biomarker, hidden Markov models, chronic low back pain, probabilistic machine learning, wearable data