Algorithmic approach to tremor classification based on EEG and graphomotor signals

Abstract

Представлено алгоритмічний підхід до класифікації та диференційної діагностики тремору, що ґрунтується на мультимодальному аналізі електроенцефалографічних (EEG) сигналів та графомоторної активності, зареєстрованої під час виконання пацієнтами завдання малювання спіралі на графічному планшеті зі стілусом. Для кількісного оцінювання моторних відхилень застосовано показник ΔR – різницю між реальною траєкторією руху стілуса та її згладженою (референтною) версією, отриманою шляхом параметричної криволінійної апроксимації. EEG-сигнали синхронізовано з графомоторними даними та піддано попередньому опрацюванню, включно з нормалізацією та інтерполяцією. Для подальшого аналізу використано всі наявні канали EEG з метою повного відображення просторово-часових патернів мозкової активності. Основу методу становить аналіз крос- кореляції між ΔR та кожним каналом EEG, що дозволяє виявляти просторово-часові патерни мозкової активності, асоційовані з тремором, а також досліджувати ступінь їхньої синхронності. Запропоновано індекс синусоподібності (SI), який обчислюється для крос-кореляційних кривих та виступає інтегральним показником глобальної синусоподібної тенденції кортикальної синхронізації у різних клінічних станах. Експериментальні дослідження проведено на даних, отриманих від пацієнтів з різним клінічним статусом, включаючи хворобу Паркінсона у стані медикаментозної компенсації та без неї, а також тремор невстановленого генезу. Результати показали, що виражений тремор супроводжується підвищеною синхронізацією між каналами EEG, тоді як у стані компенсації або зниження симптомів активність каналів є більш незалежною. Запропонований підхід має значну діагностичну цінність, оскільки поєднує кількісні обчислювальні методи з можливістю адаптації під індивідуальні особливості пацієнта, і може бути використаний як основа для розроблення портативних або хмарних систем автоматизованого аналізу та моніторингу тремору, що розширює можливості телемедицини та персоналізованої нейродіагностики. Запропонований алгоритмічний підхід інтегрує сучасні методи інженерії програмного забезпечення для мультимодальної синхронізації сигналів, числового аналізу та виділення ознак, що являє прикладне вирішення на перетині опрацювання біомедичних даних і комп’ютерних наук

This study presents an algorithmic framework for tremor classification and differential diagnosis based on multimodal analysis of electroencephalographic (EEG) signals and graphomotor activity recorded during a spiral drawing task on a graphics tablet. Motor deviations were quantified using the ΔR metric, defined as the difference between the actual radial trajectory and its smoothed reference obtained via parametric curve fitting. EEG and graphomotor signals were synchronized and preprocessed through normalization and interpolation. All available EEG channels were included in the analysis to comprehensively capture cortical activity patterns. The method centers on cross-correlation analysis between ΔR and individual EEG channels to reveal spatiotemporal brain activity patterns associated with tremor, and introduces a sinusoidality index of cross- correlation curves as an indicator of cortical synchrony under different clinical conditions. Experimental results from patients with Parkinson’s disease (medicated and unmedicated) and tremor of undetermined origin showed that pronounced tremor corresponds to higher inter-channel synchronization, whereas symptom reduction is marked by more independent EEG activity. The proposed approach combines quantitative computation with adaptability to individual patient profiles, and can serve as the basis for portable or cloud-based systems for automated tremor analysis and monitoring, expanding the capabilities of telemedicine and personalized neurodiagnostics. The proposed algorithmic approach integrates advanced software engineering techniques for multimodal signal synchronization, numerical analysis, and feature extraction, representing an applied solution at the intersection of biomedical data processing and computer science