การคัดกรองอาการมือสั่นบนสมาร์ทโฟน

Abstract

โครงงานการคัดกรองอาการมือสั่นบนสมาร์ทโฟนเป็นส่วนหนึ่งของกระบวนการพัฒนาซอฟต์แวร์เพื่อช่วยในการวินิจฉัยอาการมือสั่นในผู้ป่วยด้วยอาการสั่นต่างๆ ไม่ว่าจะเป็นโรคพาร์กินสัน โรคสั่นไม่ทราบสาเหตุ หรือโรคที่ก่อให้เกิดอาการสั่นอื่นๆ โดยในขั้นตอนการวินิจฉัยดังกล่าวทำได้โดยการให้ผู้ป่วยทำการทดสอบการเคลื่อนไหวของมือลงบนกระดาษ โดยมีผู้เชี่ยวชาญสังเกต ให้คะแนน และสรุปคำวินิจฉัย ซึ่งวิธีนี้เป็นวิธีที่ใช้เวลานาน ทำให้ผู้ป่วยไม่สามารถเข้าถึงการรักษาได้โดยง่าย และทำให้ได้รับการรักษาล่าช้า ดังนั้นจึงมีการพัฒนาซอฟต์แวร์ช่วยในการคัดกรองอาการมือสั่นบนสมาร์ทโฟนขึ้นมาเพื่อช่วยในการวินิจฉัยอาการสั่นเบื้องต้นของผู้ป่วย โดยเริ่มจากการพัฒนาแอปพลิเคชันที่จะใช้เป็นเครื่องมือในการเก็บข้อมูลบนสมาร์ทโฟน หลังจากนั้นจึงเก็บข้อมูลจากกลุ่มตัวอย่างโดยกลุ่มตัวอย่างจะเป็นคนใน 3 กลุ่มช่วงอายุประกอบด้วย กลุ่มวัยผู้ใหญ่ตอนต้นช่วงอายุ 20-40 ปี กลุ่มวัยผู้ใหญ่ช่วงอายุ 41-60 ปี และกลุ่มวัยผู้สูงอายุช่วงอายุ 60 ปีขึ้นไปทั้งชายและหญิงจำนวนทั้งสิ้น 90 คน และมีการสร้างข้อมูลเลียนแบบผู้ที่มีอาการสั่นอีก 18 คน รวมข้อมูลที่ใช้ในการวิเคราะห์ทั้งหมด 108 ข้อมูล จากนั้นจึงนำข้อมูลไปคำนวณหาพารามิเตอร์ต่างๆ เช่น ความเร็ว สัมประสิทธิ์สหสัมพันธ์ ความเรียบของเส้นโค้ง อัตราความผิดพลาด Hausdorff distance และรากที่สองของค่าเฉลี่ยความผิดพลาด หลังจากนั้นนำข้อมูลมาแบ่งเป็นข้อมูล train และ test ในอัตราส่วน 75% และ 25% ตามลำดับเพื่อใช้ในการสอนและการทดสอบโมเดล Machine Learning โดยในโครงงานนี้ได้แบ่งการทดลองออกเป็น 2 การทดลองคือ 1) การสร้างโมเดลคัดแยกอาการสั่นตามช่วงอายุ และ 2) การสร้างโมเดลคัดแยกอาการสั่นระหว่างผู้มีอาการสั่น และผู้ที่ไม่มีอาการสั่น รวมถึงมีการใช้วิธี Feature selection ด้วยเทคนิค minimum-redundancy maximum-relevance (mRMR) เพื่อเพิ่มประสิทธิภาพของโมเดลคัดแยกอาการสั่น โดยโมเดลคัดแยกอาการสั่นตามช่วงอายุมีร้อยละความถูกต้องที่ 66.67 เปอร์เซ็นต์ และโมเดลคัดแยกอาการสั่นระหว่างผู้มีอาการสั่น และผู้ที่ไม่มีอาการสั่นมีร้อยละความถูกต้องที่ 82.14 เปอร์เซ็นต์

The ‘Hand tremor screening based on smartphone application’ project is one of the process of software development for hand-tremor diagnosis in patients with tremors whether it is Parkinson’s disease, Essential tremor or other diseases causing tremors. The normal diagnosis procedure is performed by having the patient perform the hand movement on a paper, with a specialist observing, rating and summarizing the test. This method is time consuming which makes the patient unable to access the treatment easily and leads to a delayed treatment. Therefore, a software to assist in the screening of hand tremors on a smartphone has been developed to help in the initial diagnosis of tremors in patients. The smartphone application was developed to be used as a tool to collect the data after that the data was collected from the sample. The sample consisted of 3 age groups which are the early adult (20-40 years old), the adult (41-60 years old) and the elderly (over 60 years old), totaling 90 people. There is also another 18 data of tremor imitating were used in the experiment. Then all data were calculated into variables such as velocity, correlation coefficient, smoothness of curve, error percentage, Hausdorff distance and root mean square error. All data were divided into train and test data with the ratio of 75% and 25% respectively for the use in training and testing the machine learning model. In this project, there are 2 experiments which are 1) Model for tremor classification by age and 2) Model for tremor classification between people with and without tremor. The feature selection with minimum-redundancy maximum-relevance (mRMR) technique was used in the experiments to increase the efficacy of the tremor classification. The result comes out that the model for tremor classification by age has an accuracy of 66.67 percent and the Model for tremor classification between people with and without tremor has the accuracy of 82.14 percent.