Neuro-degenerative disease is a common progressive nervous system disorder that leads to serious clinical consequences. Gait rhythm dynamics analysis is essential for evaluating clinical states and improving quality of life for neuro-degenerative patients. The magnitude of stride-to-stride fluctuations and corresponding changes over time-gait dynamics-reflects the physiology of gait, in quantifying the pathologic alterations in the locomotor control system of health subjects and patients with neuro-degenerative diseases. Motivated by algebra topology theory, a topological data analysis-inspired nonlinear framework was adopted in the study of the gait dynamics. Meanwhile, the topological representation-persistence landscapes were used as input of classifiers in order to distinguish different neuro-degenerative disease type from healthy. In this work, stride-to-stride time series from healthy control (HC) subjects are compared with the gait dynamics from patients with amyotrophic lateral sclerosis (ALS), Huntington's disease (HD), and Parkinson's disease (PD). The obtained results show that the proposed methodology discriminates healthy subjects from subjects with other neuro-degenerative diseases with relatively high accuracy. In summary, our study is the first attempt to provide a topological representation-based method into the disease classification with gait rhythms measured from the stride intervals to visualize gait dynamics and classify neuro-degenerative diseases. The proposed method could be potentially used in earlier interventions and state monitoring.

中文翻译：

---

通过基于持久性景观的拓扑表示对神经退行性疾病进行分类的步态节奏动态。

神经变性疾病是一种常见的进行性神经系统疾病，会导致严重的临床后果。步态节律动力学分析对于评估神经退行性疾病的临床状态和改善生活质量至关重要。在量化健康受试者和神经退行性疾病患者的运动控制系统中的病理变化时，步幅间的波动幅度和随时间步态动力学的相应变化反映了步态生理。受代数拓扑理论的启发，在步态动力学研究中采用了拓扑数据分析启发的非线性框架。同时，使用拓扑表示-持久性景观作为分类器的输入，以区分健康与其他神经退行性疾病类型。在这项工作中，将健康对照（HC）受试者的跨步时间序列与肌萎缩性侧索硬化症（ALS），亨廷顿氏病（HD）和帕金森氏病（PD）患者的步态动力学进行了比较。获得的结果表明，所提出的方法以相对较高的准确度将健康受试者与患有其他神经退行性疾病的受试者区分开。总而言之，我们的研究是首次尝试将一种基于拓扑表示的方法用于疾病分类，并从步幅间隔测量步态节律，以可视化步态动态并对神经退行性疾病进行分类。所提出的方法可以潜在地用于早期干预和状态监视中。将健康对照（HC）受试者的跨步时间序列与肌萎缩性侧索硬化症（ALS），亨廷顿氏病（HD）和帕金森氏病（PD）患者的步态动态进行比较。获得的结果表明，所提出的方法以相对较高的准确度将健康受试者与患有其他神经退行性疾病的受试者区分开。总而言之，我们的研究是首次尝试将一种基于拓扑表示的方法用于疾病分类，并从步幅间隔测量步态节律，以可视化步态动态并对神经退行性疾病进行分类。所提出的方法可以潜在地用于早期干预和状态监视中。将健康对照（HC）受试者的步幅到步幅时间序列与肌萎缩性侧索硬化症（ALS），亨廷顿氏病（HD）和帕金森氏病（PD）患者的步态动态进行比较。获得的结果表明，所提出的方法以相对较高的准确度将健康受试者与患有其他神经退行性疾病的受试者区分开。总而言之，我们的研究是首次尝试将一种基于拓扑表示的方法用于疾病分类，并从步幅间隔测量步态节律，以可视化步态动态并对神经退行性疾病进行分类。所提出的方法可以潜在地用于早期干预和状态监视中。获得的结果表明，所提出的方法以相对较高的准确度将健康受试者与患有其他神经退行性疾病的受试者区分开。总而言之，我们的研究是首次尝试将一种基于拓扑表示的方法用于疾病分类，并从步幅间隔测量步态节律，以可视化步态动态并对神经退行性疾病进行分类。所提出的方法可以潜在地用于早期干预和状态监视中。获得的结果表明，所提出的方法以相对较高的准确度将健康受试者与患有其他神经退行性疾病的受试者区分开。总而言之，我们的研究是首次尝试将一种基于拓扑表示的方法用于疾病分类，并从步幅间隔测量步态节律，以可视化步态动态并对神经退行性疾病进行分类。所提出的方法可以潜在地用于早期干预和状态监视中。我们的研究是首次尝试将基于拓扑表示的方法用于疾病分类，并从步幅间隔测量步态节律，以可视化步态动态并对神经退行性疾病进行分类。所提出的方法可以潜在地用于早期干预和状态监视中。我们的研究是首次尝试将基于拓扑表示的方法用于疾病分类，并从步幅间隔测量步态节律，以可视化步态动态并对神经退行性疾病进行分类。所提出的方法可以潜在地用于早期干预和状态监视中。