Towards new quantitative features of Parkinson’s disease and essential tremor in electrooculographic signals: a cross-sectional population-based experimental study



Cite item

Full Text

Abstract

BACKGROUND: Developing highly sensitive diagnostic methods for the widespread neurodegenerative diseases Parkinson’s disease (PD) and essential tremor (ET) is an important research challenge. Despite the rapid development of various diagnostic tools, including functional radioisotope neuroimaging, differential diagnosis of PD and ET is often challenging. The study of electrooculographic (EOG) signals is a promising approach to the development of new diagnostic methods for PD and ET. This paper is devoted to the search for new quantitative features of PD and ET.

AIM: The aim of the study is to identify specific quantitative features of saccadic eye movements in patients with PD and ET using a new method for statistical analysis of signals.

METHODS: The patients were examined during an outpatient examination. A visual stimulus was demonstrated on a monitor. A small white square moved upward on a black background within a 15°visual field. The stimulus was presented 8 times. The duration of the stimulus was 3 seconds. EOG signals were analyzed as is, without selection of segments in the signal. The following method and software were used for statistical signal analysis: a program for analysis of macrosaccade attributes and a program for a wave train analysis based on AUC diagrams.

RESULTS: The PD group included 17 patients with PD stages 1‑3. The ET group included 10 patients. A decrease in EOG macrosaccade latency was observed in both PD and ET patients in left and right eyes during the presentation of a series of the visual stimuli (Kendall’s tau-b, p≤0.031). The analysis of EOG microsaccades revealed wave trains that differentiated PD and ET patient groups (two-tailed Brunel-Munzel test; p≤0.03 for both eyes). A correlation was found between the number of wave trains in EOG of the left and right eyes in PD patients (Kendall’s tau-b is 0.515; p=0.011).

CONCLUSION: The new methods of statistical signal analysis enabled the identification of new quantitative features in EOG in PD and ET patients. These new features were found in both macrosaccade and microsaccade parameters of EOG. The identified features are prospective for the development of new methods for differential diagnosis of PD and ET.

Full Text

Обоснование

Ни один из существующих методов дифференциальной диагностики болезни Паркинсона (БП) и эссенциального тремора (ЭТ), включая функциональную радиоизотопную нейровизуализацию [1‑3], не позволяет различить эти заболевания с абсолютной точностью [4, 5]. Анализ электроокулографических (ЭОГ) сигналов является перспективным подходом к разработке новых методов диагностики БП и ЭТ [6‑8].

В статье [9] показано, что у пациентов с БП и ЭТ отличаются амплитуда и латентность саккад, причём именно для пациентов с БП характерны амплитуда и латентность саккад, отличающиеся от нормы. По мнению [9], отличие БП и ЭТ обусловлено дисфункцией мозжечка при ЭТ и патологией базальных ганглиев при БП. В работе [10] утверждается, что саккадические движения глаз могут быть легко оценены количественно и использованы для дифференциальной диагностики на ранних стадиях БП и ЭТ.

В России пионерские работы по саккадометрии были проведены в ФГБНУ «Научный центр Неврологии». Были описаны явления дефицита движений глаз при БП (преимущественно в горизонтальном направлении), нарушения инициации саккад, увеличения латентных периодов саккад и их длительностей, достижения зрительной цели несколькими саккадами вместо одной (так называемая мультисаккадность), замедления скоростей саккад [11‑13], а также нарушения цветового зрения (снижения дискриминации цвета и контрастной чувствительности) [14] у пациентов на ранней стадии БП [15‑18].

Исследования на основе анализа ЭОГ проводятся не только для дифференциальной диагностики БП и ЭТ, но и для диагностики ранней стадии БП [19‑21]. Существуют работы, посвящённые изучению движения глаз отдельно у пациентов с БП и у пациентов с ЭТ. В работе [22] изучалось функциональное состояние сетчатки у пациентов с БП, атипичным паркинсонизмом (АП) и контрольных испытуемых с помощью анализа электроретинографии и ЭОГ. Было выявлено значительное снижение корнеоретинального потенциала после 5-минутной темновой адаптации у пациентов с БП, при этом у пациентов с АП и здоровых испытуемых корнеоретинальный потенциал практически не изменялся. В работе [23] изучалось отличие пациентов с ЭТ от контрольных испытуемых с помощью анализа сигналов ЭОГ и видеотрекера. У пациентов с ЭТ были обнаружены рефлексивная дисметрия саккад (наличие дополнительных корректирующих саккад, завершающих фиксацию взора на мишени), замедление плавного слежения и аномально длительные задержки саккад. В работе [24] также исследовались ЭОГ-сигналы у ЭТ и контрольных испытуемых, однако различия между пациентами с ЭТ и контрольной группой обнаружены не были.

В настоящее время для исследования саккад применяют как ЭОГ, так и видеотрекеры [6]. Видеотрекеры считаются более современной технологией, однако ЭОГ имеет свои преимущества [6, 7]. В работе [7] отмечается, что существует разрыв между экспериментальными исследованиями и практикой клинического применения, поэтому применение ЭОГ на практике в дифференциальной диагностике нейродегенеративных расстройств требует дополнительных исследований.

Данная статья посвящена поиску новых количественных признаков БП и ЭТ в ЭОГ-сигналах.

Цель

Целью исследования является поиск специфичных количественных признаков саккадических движений глаз у пациентов с БП и ЭТ с применением нового, разработанного авторами метода статистического анализа биомедицинских сигналов.

Методы

В статье приведены предварительные результаты одноцентрового одномоментного выборочного нерандомизированного контролируемого экспериментального исследования без ослепления. Исследование проводится на базе Российского центра неврологии и нейронаук, г. Москва, Россия. В исследовании принимали участие пациенты с клинически подтверждённым диагнозом БП или ЭТ, проходившие лечение в Российском центре неврологии и нейронаук (бывший ФГБНУ «Научный центр неврологии») с 2017 по 2023 гг. Пациентам проводилось МРТ головного мозга, консультация окулиста, оценка когнитивных функций.

Пациенты исследовались в рамках амбулаторного обследования. Для проведения электроокулографического исследования использовался аппаратно-программный комплекс «ОкулоСтим» (научно-медицинская фирма «Статокин», г. Москва, Россия). Программное обеспечение для комплекса «ОкулоСтим» разработано в лаборатории «Вестибулярная физиология» Института медико-биологических проблем РАН (г. Москва, Россия). В ходе исследования пациент сидел в кресле в расслабленной позе. Расстояние от лица пациента до монитора было 50‑60 см. Пациенту демонстрировался визуальный стимул на экране монитора, а именно, белый квадратик на чёрном фоне, движущийся снизу вверх в поле зрения 15°. Стимул подавался 8 раз, длительность каждого предъявления стимула составляла 3 секунды. Для записи ЭОГ-сигналов использовались чашечковые электроды. Горизонтальные электроды накладывались на наружные углы правого и левого глаз, вертикальные электроды накладывались в середине над бровью и в середине под нижним веком глаза. Референтный электрод устанавливался за правое ухо. Для регистрации сигналов использовался гель «Униагель» средней вязкости.

Регистрировались ЭОГ-сигналы горизонтального и вертикального движений левого и правого глаз пациента. ЭОГ-сигналы анализировались «как есть», без выделения участков сигнала. Выборка была разделена на 2 группы – пациенты с БП и пациенты с ЭТ.

Для статистического анализа сигналов использовались методы и программное обеспечение, разработанные авторами, а именно, программа анализа макросаккад и программа анализа всплескообразной электрической активности с помощью AUC-диаграмм [25]. Программа анализа макросаккад реализована авторами на языке Python версии 3.12.12 с применением пакета статистического анализа данных SciPy. Программа анализа всплескообразной электрической активности реализована авторами на языке Matlab 2017b с применением пакета «Statistics and machine learning toolbox». Применялась реализация теста Бруннера-Мюнцеля на языке Matlab, созданная Максимилианом Бекерсом (Sachse Lab, European Molecular Biology Laboratory, Heidelberg). Данные ЭОГ экспортировались из аппаратно-программного комплекса «ОкулоСтим» в текстовой формат для обработки в Matlab, а также формат CSV для обработки в программе на языке Python. Для анализа применялись критерии Манна-Уитни и Бруннера-Мюнцеля, критерий Кендалла, а также AUC-диаграммы, разработанные авторами. Критерий Манна-Уитни применялся для проверки отсутствия статистически значимых отличий возраста пациентов по группам данных, в то же время для проверки наличия статистически значимых отличий количества всплесков в выборках данных применялся критерий Бруннера-Мюнцеля. Такой выбор статистических критериев продиктован следующими соображениями. Критерии Манна-Уитни и Бруннера-Мюнцеля оба являются непараметрическими критериями, проверяющими нулевую гипотезу о стохастическом равенстве распределений двух выборок данных. Это означает, что данные критерии могут отвергнуть нулевую гипотезу по разным причинам, в частности, в случае отличия медиан или дисперсий распределений исследуемых выборок данных. При этом, однако, критерий Бруннера-Мюнцеля является менее чувствительным к отличию дисперсий распределений, и, следовательно, результаты применения этого теста в большей степени соответствуют нематематическим понятиям «больше» и «меньше», используемым человеком. Таким образом, применение критерия Бруннера-Мюнцеля в биомедицинских исследования является предпочтительным по сравнением с критерием Манна-Уитни. Единственным недостатком критерия Бруннера-Мюнцеля является то, что он не даёт точные оценки вероятности ошибки первого рода в случае, если анализируемые выборки содержат неперекрывающиеся интервалы чисел. В данном исследовании анализируемые выборки количества всплесков неперекрывающиеся интервалы чисел не содержали.

AUC-диаграммы – это графические диаграммы, показывающие, как значение AUC (area under the ROC-curve) при сравнении количества всплесков, выявленных в двух выборках данных пациентов, зависит от нижней и верхней границ диапазонов некоторого параметра всплесков. Для исследования разных параметров всплесков существуют специальные разновидности AUC-диаграмм. Исследуются такие параметры всплесков как центральная частота, длительность всплеска на полувысоте, ширина частотного диапазона всплеска на полувысоте, мгновенная фаза в точке максимума и др. По оси абсцисс AUC-диаграммы откладывается нижняя граница исследуемого параметра всплеска, по оси ординат откладывается верхняя граница исследуемого параметра всплеска. Типичная AUC-диаграмма имеет треугольную форму, так как верхняя граница параметра всегда выше, чем нижняя граница этого параметра (см. пример на Рисуноке 1). Значение AUC обозначается с помощью цветовой шкалы. В данной статье для обозначения AUC используется красно-синяя шкала jet. Красный цвет обозначает высокие значения AUC, близкие к единице. Синий цвет обозначает низкие значения AUC, близкие к нулю. Значения AUC, близкие к 0,5, обозначаются зелёным цветом. AUC-диаграмма позволяет наглядно показать, при каких диапазонах параметров всплесков наблюдаются отличия между исследуемыми выборками данных пациентов. Если AUC близка к единице (красный цвет на диаграмме), то количество всплесков у пациентов в первой выборке больше, чем во второй. Если AUC близка к нулю (синий цвет на диаграмме), то количество всплесков у пациентов в первой выборке, наоборот, меньше, чем во второй. С точки зрения исследователя представляют интерес оба случая, поэтому при чтении AUC-диаграммы мы ищем на ней ярко выраженные красные и синие области. На диаграмме могут присутствовать красные и синие области одновременно, что свидетельствует о наличии в исследуемых выборках данных разнонаправленных закономерностей. Например, на Рисунке 1 приведена так называемая частотная AUC-диаграмма, то есть, по осям абсцисс и ординат отложены границы диапазона центральной частоты всплесков. На диаграмме наблюдаются две ярко выраженные однотонные области – одна красная и одна синяя. Красная область имеет координаты примерно (4;7) Гц. Синяя область имеет координаты примерно (1;4) Гц. Таким образом, AUC-диаграмма на Рисунке 1 показывает, что у пациентов в рассматриваемых выборках данных количество всплесков может отличаться в разную сторону, в зависимости от того, какой диапазон частот мы исследуем.

Результаты

Группа пациентов с БП включала 17 пациентов с БП на 1‑3 стадиях (5 пациентов на 1-й стадии, 6 пациентов на 2-й стадии, 6 пациентов на 3-й стадии). Группа пациентов с ЭТ включала 10 пациентов. Возраст пациентов с БП составлял от 39 до 82 лет; средний возраст у пациентов с БП составлял 57,824 лет. Возраст пациентов с ЭТ составлял от 19 до 80 лет; средний возраст у пациентов с ЭТ составлял 54,9 года. Статистически значимые отличия возраста между группами пациентов с БП и пациентов с ЭТ не обнаружены (тест Манна-Уитни).

Были исследованы характеристики макросаккад в ЭОГ вертикального движения глаз, возникающие в момент, когда визуальный стимул достигал верхнего положения и перескакивал в исходную позицию внизу экрана. Саккады на ЭОГ-сигнале выделялись вручную. В качестве точки начала саккады выбиралась крайняя точка перед значительным падением кривой ЭОГ-сигнала. При возникновении сомнений в качестве ЭОГ-сигнала соответствующие саккады исключались из рассмотрения. Количество исключённых саккад составило от 14 до 33% у разных пациентов. Латентностью саккады считался интервал между временем перескока визуального стимула из верхней позиции в нижнюю и точкой начала саккады (см. Рисунок 2).

Обнаружено явление уменьшения латентности макросаккад ЭОГ при подаче серии визуальных стимулов у пациентов с БП (для левого и правого глаз tau-b Кендалла -0,714, p=0,014) и у пациентов с ЭТ (для левого глаза: tau-b Кендалла -0,643, p=0,031, для правого глаза: tau-b Кендалла -0,786, p=0,005). На Рисунке 3 в качестве примера приведён график изменения среднего значения латентности в зависимости от номера визуального стимула у пациентов с БП и ЭТ по правому глазу.

Для анализа микросаккад горизонтальной ЭОГ был применён метод анализа всплескообразной электрической активности [26‑29], разработанный авторами. Метод заключается в том, что:

  1. Строятся вейвлет-спектрограммы сигналов. В данной работе применён комплексный вейвлет Морле, Fb=1, Fc=1 [27].
  2. На вейвлет-спектрограммах выделяются локальные максимумы («всплески»).
  3. Вычисляются характеристики всплесков (центральная частота, длительность всплеска на полувысоте, ширина частотного диапазона всплеска на полувысоте, мгновенная фаза в точке максимума и др.).
  4. Выявляются диапазоны характеристик всплесков такие, что количество всплесков, характеристики которых попадают в выявленные диапазоны, отличается у двух исследуемых групп пациентов. Для выявления таких диапазонов характеристик всплесков могут быть применены AUC-диаграммы или другие математические методы оптимизации.
  5. Статистическая значимость отличия количества всплесков по группам пациентов проверяется с помощью статистических тестов. В данной работе применён непараметрический тест Бруннера-Мюнцеля.

Для выявления новых количественных признаков, отличающих пациентов с БП от пациентов с ЭТ, были применены AUC-диаграммы. В качестве кандидатов на роль таких признаков рассматривались различные параметры всплесков, наблюдаемых в ЭОГ-сигналах пациентов с БП и пациентов с ЭТ. Для различных параметров всплесков были построены AUC-диаграммы соответствующего вида. При обнаружении на одной из AUC-диаграмм ярко выраженной красной или синей области, диапазон значений соответствующего этой AUC-диаграмме параметра всплесков ограничивался в соответствии с координатами найденной области. После этого все AUC-диаграммы перестраивались с учётом указанного ограничения на диапазон параметра всплесков. В ходе итеративного уточнения диапазонов параметров всплесков были определены диапазоны параметров такие, что количество всплесков, значения параметров которых попадают в найденные диапазоны, существенным образом отличается у пациентов с БП и пациентов с ЭТ. Информативность признаков оценивалась визуально с помощью AUC-диаграмм и непараметрической статистики. Информативными признаками были признаны такие параметры всплесков, для которых соответствующие AUC-диаграммы демонстрировали ярко выраженные красные или синие области. AUC-диаграммы, соответствующие признакам «длительность всплеска в секундах на высоте всплеска 1/sqrt(2)», «длительность всплеска в периодах на центральной частоте всплеска на высоте всплеска 1/sqrt(2)», «ширина полосы частот всплеска на высоте всплеска 1/sqrt(2)», «мгновенная фаза всплеска в точке максимума» приведены на Рисунках 4, 5, 6, 7. Если AUC-диаграмма является однотонной и на ней отсутствуют ярко выраженные красные и синие области, это означает, что рассматриваемый параметр всплесков не является информативным признаком для распознавания БП и ЭТ. Для проверки статистической значимости отличия пациентов с БП и пациентов с ЭТ был применён непараметрический тест Бруннера-Мюнцеля. Для этого каждому пациенту было поставлено в соответствие число – количество всплесков, обнаруженных в ЭОГ-сигнале пациента, параметры которых соответствуют заданным диапазонам параметров всплесков. Были сформированы два вектора чисел, описывающих количество всплесков у пациентов с БП и у пациентов с ЭТ. Эти вектора были сравнены с помощью двухстороннего теста Бруннера-Мюнцеля. Значения p-value приведены в Таблице 1.

Были обнаружены всплески, характерные для пациентов с ЭТ, но при этом не характерные для пациентов с БП (см. синюю область, обозначенную красной стрелкой на Рисунке 8). Параметры обнаруженных всплесков, а именно, центральную частоту, длительность в секундах, длительность в периодах, ширину полосы частот см. в Таблице 1, столбцы 3 (левый глаз) и 4 (правый глаз). Кроме того, были обнаружены всплески, характерные для пациентов с БП, но при этом не характерные для пациентов с ЭТ (см. красную область, обозначенную синей стрелкой на Рисунке 1). Параметры обнаруженных всплесков, а именно, центральную частоту, длительность в секундах, длительность в периодах, ширину полосы частот, мгновенную фазу см. в Таблице 1, столбы 5 (левый глаз) и 6 (правый глаз). Количество всплесков с указанными параметрами статистически значимо отличается у группы пациентов с БП и группы пациентов с ЭТ (двухсторонний тест Бруннера-Мюнцеля, см. Таблицу 1).

Обнаружена корреляция между количеством всплесков в ЭОГ на левом и правом глазах у пациентов с БП; набор параметров 2 (см. столбец 4 в Таблице 1), tau-b Кендалла 0,515, p=0,011 (см. Рисунок 9). У пациентов с ЭТ по этому набору параметров наблюдается статистическая тенденция; tau-b Кендалла 0,431, p=0,132.

Обсуждение

Обнаруженный эффект снижения латентности саккад ЭОГ при подаче серии визуальных стимулов может оказать существенное влияние на интерпретацию данных о различии латентности саккад у пациентов с БП и ЭТ, опубликованных в нейрофизиологической литературе. Очевидно, что данный эффект обусловлен влиянием некоторого механизма адаптации, наличие которого необходимо учитывать при использовании ЭОГ и видеотрекеров для дифференциальной диагностики БП и ЭТ.

Анализ ЭОГ-сигналов у пациентов с БП и ЭТ выявил новые количественные признаки, позволяющие различать группы пациентов с AUC, близкой к 0 или 1, что открывает перспективы для их практического применения в клинической диагностике.

Ограничением данного исследования является небольшой размер выборки пациентов с БП и ЭТ. В частности, размер выборки не позволяет проанализировать внутригрупповые эффекты по пациентам с БП на разных стадиях заболевания.

Заключение

Применение новых методов статистического анализа сигналов позволило выявить в сигналах ЭОГ новые количественные признаки, характеризующие пациентов с БП и пациентов с ЭТ. Новые признаки обнаружены как в параметрах макросаккад, так и в микросаккадах ЭОГ. Выявленные признаки могут быть использованы для разработки новых методов дифференциальной диагностики БП и ЭТ.

 

Дополнительная информация

Вклад авторов

  • Сушкова О.С. – определение концепции, работа с данными, анализ данных, привлечение финансирования, разработка методологии, администрирование проекта, программное обеспечение, руководство исследованием, валидация, визуализация, написание черновика рукописи.
  • Морозов А.А. – определение концепции, разработка методологии, программное обеспечение, валидация, визуализация, написание черновика рукописи.
  • Василега А.М. – работа с данными, анализ данных, программное обеспечение, пересмотр и редактирование рукописи.
  • Винарский А.А. – работа с данными, анализ данных, программное обеспечение, пересмотр и редактирование рукописи.
  • Чигалейчик Л.А. – определение концепции, обеспечение исследования, проведение исследования, валидация, пересмотр и редактирование рукописи.
  • Полещук В.В. – определение концепции, обеспечение исследования, проведение исследования, валидация, пересмотр и редактирование рукописи.
  • Карабанов А.В. – определение концепции, обеспечение исследования, проведение исследования, валидация, пересмотр и редактирование рукописи.

 

Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты настоящей работы, гарантируют надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Благодарности*

Авторы благодарят Н.Г. Петрову, которая вдохновила нас на выполнение этой работы, а также И.А. Наумова за помощь в работе с программным обеспечением комплекса «ОкулоСтим».

Этическая экспертиза

Все пациенты, принимавшие участие в исследовании, подписали заявление об информированном согласии на участие в исследовании. Исследование одобрено этическим комитетом Российского центра неврологии и нейронаук. Исследование соответствует стандартам хельсинской декларации «Рекомендации для врачей, занимающихся биомедицинскими исследованиями с участием людей».

Согласие на публикацию

Неприменимо.

Источники финансирования

Исследование выполнено за счёт гранта Российского научного фонда № 22-75-10079-П, https://rscf.ru/en/project/22-75-10079-П/.

Раскрытие интересов

Авторы заявляют об отсутствии отношений, деятельности и интересов за последние 36 месяцев с третьими лицами, интересы которых могут быть затронуты содержанием статьи.

Заявление об оригинальности

Доступ к данным

Авторы не предоставляют доступ к данным, полученным при подготовке настоящей статьи, в соответствии с политикой медицинского учреждения, осуществляющего сбор данных.

Генеративный искусственный интеллект

Рассмотрение и рецензирование

Работа рекомендована для публикации программным комитетом 22-й всероссийской конференции с международным участием «Математические методы распознавания образов» (ММРО-2025).

Таблицы

Таблица 1. Значения параметров всплесков

 

Единицы измерения

Набор параметров 1

Набор параметров 2

Набор параметров 3

Набор параметров 4

Центральная частота

Гц

от 0,4 до 1,2

не более 2,5

от 4 до 5

от 4,8 до 6,5

Длительность в секундах

с

не более 3,05

не более 1,8

не ограничено

от 0,1 до 0,45

Длительность в периодах

шт.

не ограничено

не более 1,14

не ограничено

от 0,75 до 1,85

Ширина полосы частот

Гц

не ограничено

не более 2,6

не ограничено

от 0 до 6,3

Мгновенная фаза

рад

не ограничено

не ограничено

от -1,8 до 2

не ограничено

AUC

 

0,194

0,265

0,838

0,853

p-value

 

0,0022

0,03

<0,001

<0,001

 

Рисунки

Рисунок 1. Частотная AUC-диаграмма, сравнивающая ЭОГ-сигналы пациентов с БП и пациентов с ЭТ. Правый глаз. Горизонтальное движение глаз. Всплески, характерные для пациентов с БП, но при этом не характерные для пациентов с ЭТ. Стрелкой обозначена красная область на диаграмме, соответствующая диапазонам частот, в которых наблюдаются всплески, характерные для пациентов с БП, но не характерные для пациентов с ЭТ.

 

Рисунок 2. Латентность саккады. Интервал времени между временем перескока визуального стимула из верхней позиции в нижнюю и точкой начала саккады отмечен голубым цветом.

 

Рисунок 3. Изменение среднего значения латентности в зависимости от номера визуального стимула у пациентов с БП и ЭТ. Правый глаз.

 

Рисунок 4. AUC-диаграмма длительности всплесков в секундах, сравнивающая ЭОГ-сигналы пациентов с БП и пациентов с ЭТ. Правый глаз. Горизонтальное движение глаз. Всплески, характерные для пациентов с БП, но при этом не характерные для пациентов с ЭТ.

 

Рисунок 5. AUC-диаграмма длительности всплесков в периодах, сравнивающая ЭОГ-сигналы пациентов с БП и пациентов с ЭТ. Правый глаз. Горизонтальное движение глаз. Всплески, характерные для пациентов с БП, но при этом не характерные для пациентов с ЭТ.

 

Рисунок 6. AUC-диаграмма ширины полосы частот всплесков, сравнивающая ЭОГ-сигналы пациентов с БП и пациентов с ЭТ. Правый глаз. Горизонтальное движение глаз. Всплески, характерные для пациентов с БП, но при этом не характерные для пациентов с ЭТ.

 

Рисунок 7. AUC-диаграмма мгновенной фазы всплесков, сравнивающая ЭОГ-сигналы пациентов с БП и пациентов с ЭТ. Левый глаз. Горизонтальное движение глаз. Всплески, характерные для пациентов с БП, но при этом не характерные для пациентов с ЭТ.

 

 

Рисунок 8. Частотная AUC-диаграмма, сравнивающая ЭОГ-сигналы пациентов с БП и пациентов с ЭТ. Левый глаз. Горизонтальное движение глаз. Всплески, характерные для пациентов с ЭТ, но при этом не характерные для пациентов с БП. Стрелкой обозначена синяя область на диаграмме, соответствующая диапазонам частот, в которых наблюдаются всплески, характерные для пациентов с ЭТ, но не характерные для пациентов с БП.

 

 

Рисунок 9. Диаграмма рассеяния количества всплесков в секунду в ЭОГ-сигналах. Ось абсцисс – количество всплесков по левому глазу. Ось ординат – количество всплесков по правому глазу. Каждый красный ромбик соответствует одному пациенту с БП. Каждый зелёный ромбик соответствует одному пациенту с ЭТ. Рассмотрен набор параметров всплесков 2 (см. Таблицу 1).

×

References

  1. Mei J, Desrosiers C, Frasnelli J. Machine learning for the diagnosis of Parkinson’s disease: a review of literature. Frontiers in aging neuroscience. 2021;13:633752.
  2. Khachnaoui H, Khlifa N, Mabrouk R. Machine learning for early Parkinson’s disease identification within SWEDD group using clinical and DaTSCAN SPECT imaging features. Journal of Imaging. 2022;8(4):97.
  3. Sarica A, Quattrone A, Quattrone A. Explainable machine learning with pairwise interactions for the classification of Parkinson’s disease and SWEDD from clinical and imaging features. Brain Imaging and Behavior. 2022;16(5):2188-2198.
  4. Angelini L, Paparella G, Bologna M. Distinguishing essential tremor from Parkinson’s disease: clinical and experimental tools. Expert Review of Neurotherapeutics. 2024;24(8):799-814.
  5. Louis ED. The association between essential tremor and Parkinson’s disease: a systematic review of clinical and epidemiological studies. Journal of Clinical Medicine. 2025;14(8):2637.
  6. Terao Y, Fukuda H, Sugiyama Y, et al. Recording horizontal saccade performances accurately in neurological patients using electro-oculogram. Journal of Visualized Experiments: JoVE. 2018;133:56934.
  7. Sekar A, Panouillères MT, Kaski D. Detecting abnormal eye movements in patients with neurodegenerative diseases – current insights. Eye and Brain. 2024:3-16.
  8. Pretegiani E, Optican LM. Eye movements in Parkinson’s disease and inherited parkinsonian syndromes. Frontiers in Neurology. 2017;8:592.
  9. Visser F, Bour LJ, Lee YX, et al. Eye movement abnormalities in essential tremor versus tremor dominant Parkinson’s disease. Clinical Neurophysiology. 2019 May 1;130(5):683-691.
  10. Yerram S, Glazman S, Bodis-Wollner I. Cortical control of saccades in Parkinson disease and essential tremor. Journal of Neural Transmission. 2013;120(1):145-156.
  11. Baziyan BKH, Chigaleychik LA, Teslenko YeL, et al. Rasstroystva proizvol’nykh zritel’no-motornykh dvizheniy patsiyentov s rannimi stadiyami bolezni Parkinsona. Mezhdunarodnyy nauchno-prakticheskiy zhurnal Nevrologiya i neyrokhirurgiya v Belarusi. 2011;2:65-81.
  12. Chigaleychik LA, Damyanovich YeV, Teslenko YeL, el al. The use of new hardware and software complex for the study of semiotics saccades in Parkinson’s disease. Zhurnal Neyrokomp’yutery: razrabotka, primeneniye. 2016;6:47-49.
  13. Chigaleychik LA. Funktsional’naya organizatsiya koordinirovannykh dvizheniy glaz i golovy v norme i pri bolezni Parkinsona. PhD dissertation. 2001:27.
  14. Fedin PA, Fedotova YeYU, Poleshchuk VV, et al. Pattern narusheniya tsvetovospriyatiya na rannikh stadiyakh bolezni Parkinsona. Vestnik Rossiyskoy voyenno-meditsinskoy akademii. 2013;4(2):100-101 (In Russ.).
  15. Baziyan BKH, Chigaleychik LA, Teslenko YeL, et al. Analiz trayektorii dvizheniy dlya rannego obnaruzheniya neyrodegenerativnogo protsessa pri bolezni Parkinsona. Bolezn’ Parkinsona i rasstroystva dvizheniy: Rukovodstvo dlya vrachey po materialam II Natsional’nogo kongressa. 2011:145-149 (In Russ.).
  16. Illarioshkin SN, Vlasenko AG, Fedotova YeYU. Sovremennyye vozmozhnosti identifikatsii latentnoy stadii neyrodegenerativnogo protsessa. Annals of Clinical and Experimental Neurology. 2013;7(2):39-50 (In Russ.).
  17. Fedotova YeYU, Chechetkin AO, Abramycheva NYU, et al. Identifikatsiya lits v latentnoy stadii bolezni Parkinsona: pervyye rezul’taty rossiyskogo observatsionnogo issledovaniya PARKINLAR. Sbornik: Rukovodstvo dlya vrachey pod red. prof. Illarioshkina S.N., prof. Levina O.S. «Bolezn’ Parkinsona i rasstroystva dvizheniy». Materialy III Natsional’nogo kongressa po bolezni Parkinsona i rasstroystvam dvizheniy (s mezhdunarodnym uchastiyem). 2014:237-244 (In Russ.).
  18. Baziyan BKh. Possible neurophysiological markers of early neurodegenerative process: Parkinson’s disease. Bulletin of Experimental Biology and Medicine. PHYSIOLOGY. 2012;154(2):186-188.
  19. Kaneko K, Sakamoto K. Spontaneous blinks of Parkinson’s disease patients evaluated by EMG and EOG. Electromyography and clinical neurophysiology. 2001;41(2):87-96.
  20. Shvetcsov AYu, Ivanova YeA, Baziyan BH, et al. The breach of fixation and retention vision of patients with early stage of Parkinson’s disease. Vladikavkazskiy mediko-biologicheskiy vestnik. 2011;13(20-21):68-72 (In Russ.).
  21. Ratmanova PO, Yevina YeI, Napalkov DA. Narusheniya sakkadicheskikh dvizheniy glaz na raznykh stadiyakh bolezni Parkinsona. Almanac of Clinical Medicine. 2006;13:90-93 (In Russ.).
  22. Alenicova O, Likhachev S, Davydova O. Functional state of the retina in Parkinson’s disease according to data of electroretinography and electrooculography. Ophthalmology Eastern Europe. 2016;6(1):51-62. (In Russ.).
  23. Wójcik-Pędziwiatr M, Plinta K, Krzak-Kubica A, et al. Eye movement abnormalities in essential tremor. Journal of Human Kinetics. 2016;52:53.
  24. Cenikli U, Bir LS, Ardıç FN, et al. Clinical and electrooculographical finding in patient with essential tremor. Austin Journal of Clinical Neurology. 2021;8(2):id1150.
  25. Sushkova OS, Morozov AA, Gabova AV. Data mining in EEG wave trains in early stages of Parkinson’s disease. In: Pichardo-Lagunas O, Miranda-Jimenez S, editors. Advances in Soft Computing: 15th Mexican International Conference on Artificial Intelligence (MICAI 2016), Cancun, Mexico, Proceedings, Part II. Cham: Springer International Publishing; 2017. P:403-412.
  26. Sushkova OS, Morozov AA, Gabova AV. A method of analysis of EEG wave trains in early stages of Parkinson’s disease. International Conference on Bioinformatics and Systems Biology (BSB-2016), Allahabad, India. 2016:7552163.
  27. Sushkova OS, Morozov AA, Gabova AV, et al. A statistical method for exploratory data analysis based on 2D and 3D area under curve diagrams: Parkinson’s disease investigation. Sensors, MDPI. 2021;21(1):4700.
  28. Sushkova OS, Morozov AA, Kershner IA, et al. Investigation of phase shifts using AUC diagrams: application to differential diagnosis of Parkinson’s disease and essential tremor. Sensors, MDPI. 2023;23(3):1531.
  29. Sushkova OS, Morozov AA, Petrova NG, et al. Method of wave train electrical activity analysis – the theoretical basis and application. RENSIT: Radioelectronics. Nanosystems. Information technologies. 2022;14(3):317-330.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 79539 от 09 ноября 2020 г.