Možnosti detekce Parkinsonovy nemoci pomocí virtuální reality

Abstract

Parkinsonova choroba (PD) jakožto chronické neurodegenerativní onemocnění významně ovlivňuje motorické funkce pacientů. Přestože virtuální realita (VR) již prokázala svůj potenciál intervence v oblasti rehabilitace, možnosti v rámci diagnostiky však zůstávají nedostatečně prozkoumány, což představuje mezeru v současném výzkumu. Cílem práce je tento potenciál analyzovat. Konkrétně je zahrnut průzkum dostupných technologií, vývojových nástrojů a diagnostických metod s důrazem na implementaci optimálního testu do VR. Výsledkem práce je funkční návrh a implementace VR aplikace, se zaměřením na záznam časových řad pro výpočet kinematických parametrů pohybu ručních ovladačů, a desktopové aplikace, určená pro analýzu dat s cílem detekce motorických deficitů spojených s PD. Implementace daného systému představuje díky potenciální přesnosti a objektivnosti měření v libovolném prostředí příležitost nové inovativní diagnostické metody a podporu personalizace léčby. Řešení je také otestováno sběrem a analýzou 47 vzorků dat, díky nimž došlo k implementaci dalších vylepšení. Na datech je zároveň je demonstrována využitelnost aplikací.

Parkinson’s disease (PD), as a chronic neurodegenerative disorder, significantly impacts patient’s motor functions. Although virtual reality (VR) has already demonstrated its potential in the domain of rehabilitation, its possibilities in the field of diagnostics remain insufficiently explored, representing a gap in current research. The objective of this work is to analyze this potential. Specifically, it includes an exploration of available technologies, development tools, and diagnostic methods, with a focus on implementing an optimal test into VR. The result of this thesis is a functional design and implementation of an VR application, focused on recording time series for calculating kinematic parameters of controller movements, and a desktop application intended for data analysis to identify and detect motor deficits associated with PD. The implementation of this system represents an opportunity for a novel and innovative diagnostic method, thanks to its potential accuracy and objectivity of measurement in any environment, while supporting the personalization of treatment. The solution is also tested with analysis of 47 data samples, which led to further improvements in the implementation. The usability of the applications is demonstrated on the collected data.