Logotyp: till Uppsala universitets webbplats

uu.sePublikationer från Uppsala universitet
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Stochastic anomaly detection in eye-tracking data for quantification of motor symptoms in Parkinson's disease
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Avdelningen för systemteknik. Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Reglerteknik.
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Avdelningen för systemteknik. Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi, Reglerteknik.
Uppsala universitet, Medicinska och farmaceutiska vetenskapsområdet, Medicinska fakulteten, Institutionen för neurovetenskap, Klinisk neurofysiologi.
Uppsala universitet, Medicinska och farmaceutiska vetenskapsområdet, Medicinska fakulteten, Institutionen för neurovetenskap, Neurologi.
2015 (Engelska)Ingår i: Signal and Image Analysis for Biomedical and Life Sciences, Springer, 2015, s. 63-82Kapitel i bok, del av antologi (Refereegranskat)
Abstract [en]

Two methods for distinguishing between healthy controls and patients diagnosed with Parkinson's disease by means of recorded smooth pursuit eye movements are presented and evaluated. Both methods are based on the principles of stochastic anomaly detection and make use of orthogonal series approximation for probability distribution estimation. The first method relies on the identification of a Wiener model of the smooth pursuit system and attempts to find statistically significant differences between the estimated parameters in healthy controls and patients with Parkinson's disease. The second method applies the same statistical method to distinguish between the gaze trajectories of healthy and Parkinson subjects tracking visual stimuli. Both methods show promising results, where healthy controls and patients with Parkinson's disease are effectively separated in terms of the considered metric. The results are preliminary because of the small number of participating test subjects, but they are indicative of the potential of the presented methods as diagnosing or staging tools for Parkinson's disease.

Ort, förlag, år, upplaga, sidor
Springer, 2015. s. 63-82
Serie
Advances in Experimental Medicine and Biology, ISSN 0065-2598 ; 823
Nationell ämneskategori
Reglerteknik Neurologi
Identifikatorer
URN: urn:nbn:se:uu:diva-244824DOI: 10.1007/978-3-319-10984-8_4ISI: 000350427300005PubMedID: 25381102ISBN: 978-3-319-10983-1 (tryckt)OAI: oai:DiVA.org:uu-244824DiVA, id: diva2:789918
Tillgänglig från: 2014-10-13 Skapad: 2015-02-20 Senast uppdaterad: 2015-04-16Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextPubMed

Person

Jansson, DanielMedvedev, AlexanderAxelson, HansNyholm, Dag

Sök vidare i DiVA

Av författaren/redaktören
Jansson, DanielMedvedev, AlexanderAxelson, HansNyholm, Dag
Av organisationen
Avdelningen för systemteknikReglerteknikKlinisk neurofysiologiNeurologi
ReglerteknikNeurologi

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
pubmed
isbn
urn-nbn

Altmetricpoäng

doi
pubmed
isbn
urn-nbn
Totalt: 809 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf