Automated and accurate assessment for postural abnormalities is necessary to monitor the clinical progress of Parkinson’s disease (PD). The combination of depth camera and machine learning makes this purpose possible. Kinect was used to collect the postural images from 70 PD patients. The collected images were processed to extract three-dimensional body joints, which were then converted to two-dimensional body joints to obtain eight quantified coronal and sagittal features (F1-F8) of the trunk. The decision tree classifier was carried out over a data set established by the collected features and the corresponding doctors’ MDS-UPDRS-III 3.13 (the 13th item of the third part of Movement Disorder Society-Sponsored Revision of the Unified Parkinson’s Disease Rating Scale) scores. An objective function was implanted to further improve the human–machine consistency. The automated grading of postural abnormalities for PD patients was realized with only six selected features. The intraclass correlation coefficient (ICC) between the machine’s and doctors’ score was 0.940 (95%CI, 0.905–0.962), meaning the machine was highly consistent with the doctors’ judgement. Besides, the decision tree classifier performed outstandingly, reaching 90.0% of accuracy, 95.7% of specificity and 89.1% of sensitivity in rating postural severity. We developed an intelligent evaluation system to provide accurate and automated assessment of trunk postural abnormalities in PD patients. This study demonstrates the practicability of our proposed method in the clinical scenario to help making the medical decision about PD.

中文翻译：

---

基于 Kinect 和机器学习的帕金森病患者体位异常自动准确评估

对姿势异常的自动和准确评估对于监测帕金森病 (PD) 的临床进展是必要的。深度相机和机器学习的结合使这个目的成为可能。Kinect 用于收集 70 名 PD 患者的姿势图像。对采集到的图像进行处理以提取三维体关节，然后将其转换为二维体关节，以获得躯干的八个量化冠状和矢状特征（F1-F8）。决策树分类器是在一个由收集到的特征和相应医生的 MDS-UPDRS-III 3.13（运动障碍协会赞助的统一帕金森病评定量表修订版第三部分第 13 项）建立的数据集上进行的分数。植入目标函数以进一步提高人机一致性。仅通过六个选定的特征就实现了 PD 患者姿势异常的自动分级。机器评分与医生评分的组内相关系数（ICC）为0.940（95%CI，0.905~0.962），表明机器与医生的判断高度吻合。此外，决策树分类器表现出色，在评估姿势严重性方面达到了 90.0% 的准确率、95.7% 的特异性和 89.1% 的敏感性。我们开发了一种智能评估系统，以对 PD 患者的躯干姿势异常进行准确和自动的评估。这项研究证明了我们提出的方法在临床场景中的实用性，以帮助做出关于 PD 的医疗决策。仅通过六个选定的特征就实现了 PD 患者姿势异常的自动分级。机器评分与医生评分的组内相关系数（ICC）为0.940（95%CI，0.905~0.962），表明机器与医生的判断高度吻合。此外，决策树分类器表现出色，在评估姿势严重性方面达到了 90.0% 的准确率、95.7% 的特异性和 89.1% 的敏感性。我们开发了一种智能评估系统，以对 PD 患者的躯干姿势异常进行准确和自动的评估。这项研究证明了我们提出的方法在临床场景中的实用性，以帮助做出关于 PD 的医疗决策。仅通过六个选定的特征就实现了 PD 患者姿势异常的自动分级。机器评分与医生评分的组内相关系数（ICC）为0.940（95%CI，0.905~0.962），表明机器与医生的判断高度吻合。此外，决策树分类器表现出色，在评估姿势严重性方面达到了 90.0% 的准确率、95.7% 的特异性和 89.1% 的敏感性。我们开发了一种智能评估系统，以对 PD 患者的躯干姿势异常进行准确和自动的评估。这项研究证明了我们提出的方法在临床场景中的实用性，以帮助做出关于 PD 的医疗决策。机器评分与医生评分的组内相关系数（ICC）为0.940（95%CI，0.905~0.962），表明机器与医生的判断高度吻合。此外，决策树分类器表现出色，在评估姿势严重性方面达到了 90.0% 的准确率、95.7% 的特异性和 89.1% 的敏感性。我们开发了一种智能评估系统，以对 PD 患者的躯干姿势异常进行准确和自动的评估。这项研究证明了我们提出的方法在临床场景中的实用性，以帮助做出关于 PD 的医疗决策。机器评分与医生评分的组内相关系数（ICC）为0.940（95%CI，0.905~0.962），表明机器与医生的判断高度吻合。此外，决策树分类器表现出色，在评估姿势严重性方面达到了 90.0% 的准确率、95.7% 的特异性和 89.1% 的敏感性。我们开发了一种智能评估系统，以对 PD 患者的躯干姿势异常进行准确和自动的评估。这项研究证明了我们提出的方法在临床场景中的实用性，以帮助做出关于 PD 的医疗决策。在评估姿势严重性方面达到 90.0% 的准确率、95.7% 的特异性和 89.1% 的敏感性。我们开发了一种智能评估系统，以对 PD 患者的躯干姿势异常进行准确和自动的评估。这项研究证明了我们提出的方法在临床场景中的实用性，以帮助做出关于 PD 的医疗决策。在评估姿势严重性方面达到 90.0% 的准确率、95.7% 的特异性和 89.1% 的敏感性。我们开发了一种智能评估系统，以对 PD 患者的躯干姿势异常进行准确和自动的评估。这项研究证明了我们提出的方法在临床场景中的实用性，以帮助做出关于 PD 的医疗决策。