{"id":11582,"date":"2026-04-13T12:07:50","date_gmt":"2026-04-13T12:07:50","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/ying-wang\/"},"modified":"2026-04-13T12:07:57","modified_gmt":"2026-04-13T12:07:57","slug":"ying-wang","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/ying-wang\/","title":{"rendered":"Ying Wang"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":8,"featured_media":11583,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-11582","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"E-health in Epilepsy and Parkinson\u2019s Disease","samenvatting":"E-health oplossingen worden tegenwoordig steeds populairder. Pati\u00ebnten krijgen bijvoorbeeld meetapparatuur mee naar huis, waarmee de verandering van hun fysiologische signalen wordt gecontroleerd. Het breed gebruiken van e-health kan de druk op het gezondheidszorgsysteem verminderen en de zorgkwaliteit verbeteren. De voornaamste uitdagingen van de e-health toepassingen zijn echter uiterst variabele fysiologische signalen en zeer diverse pati\u00ebntkarakteristieken. Deze factoren be\u00efnvloeden de nauwkeurigheid van een e-health systeem. Het doel van het onderzoek in dit proefschrift was nauwkeurige monitoringsystemen voor pati\u00ebnten met epilepsie of de ziekte van Parkinson te ontwikkelen. We hebben de systemen onderzocht vanuit een klinisch (hoofdstuk 2 & 4), fundamenteel (hoofdstuk 5 & 6), en technische (hoofdstuk 3 & 5) perspectief.\n\nOm de monitoringsysteem voor pati\u00ebnten met epilepsie te ontwikkelen, hebben we eerst klinisch onderzoek gedaan. We exploreerden de oorzaken van een onbetrouwbare elektro-encefalografie (EEG) analyse voor de diagnose van non-convulsieve status epilepticus (NCSE; hoofdstuk 2). In hoofdstuk 2 werden de typische valkuilen in EEG visuele (door menselijke beoordelaars) en geautomatiseerde (door computertechnologie) analyse aangeduid. Bovendien stelden we een paar suggesties om deze valkuilen te vermijden. We hebben gevonden dat korte ictale (epileptische) ontladingen met een geleidelijke start (die zich over 3 seconden ontwikkelen) mogelijk verkeerd ge\u00efnterpreteerd konden worden. Een extra 2 minuten ictale ontlading droeg bij aan een stijging van de kappas-statistieken van > 0,1. Andere valkuilen waren de verkeerde interpretatie van abnormale achtergrondactiviteit (langzame golfactiviteit, andere abnormale hersenactiviteit en de ictal-achtige bewegingsartefacten), continue inter-ictale ontladingen, en continue korte ictale ontladingen. We stelden dat een langer duurcriterium voor NCSE-EEGDs nodig is dan dat in de Salzburgse criteria gebruikelijk is. Met behulp van de kennis van historische EEGDs, ge\u00efndividualiseerde algoritmen en contextafhankelijke alarmdrempels kunnen ook de valkuilen worden vermeden.\n\nOm vals alarmen in de NCSE detectie te reduceren, hebben we een detectiesysteem ontwikkeld om drie algemene fouten te vermijden: over-interpretatie van abnormale achtergrondactiviteit, dichte korte ictale ontladingen en continue inter-ictale ontladingen als ictale ontladingen (hoofdstuk 3). Om de vals alarmen vanwege abnormale achtergrondactiviteit te verminderen, hebben we morfologische karakteristieken gebruikt naast de tijdfrequentiekarakteristieken. De morfologische karakteristieken werden door visibility-grafiekmethodes ge\u00ebxtraheerd. Om de vals alarmen vanwege over-interpretatie van korte ictale ontladingen en inter-ictale ontladingen te beperken, hebben we twee syntheseklassen gecre\u00eberd - \"Suspected Non-ictal\" en \"Suspected Ictal\" - op basis van de verkeerd geclassificeerde categorie\u00ebn. We hebben een synthetische 4-klassen dataset opgebouwd waarin de standaard twee klassen - \"Non-ictal\" en \"Ictal\" - worden gecombineerd om een 4-klassen classificeerder te trainen. Het 4-klassen classificatiemodel heeft het resultaat van het standaard 2-klassenmodel verbeterden. Het 4-klassen classificatiemodel verhoogde vooral de precisie met 15% bij een 80%-gevoeligheidsniveau wanneer alleen tijdfrequentiekarakteristieken werden gebruikt. Door de morfologische karakteristieken te gebruiken, behaalde het 4-klassen classificatiemodel het beste resultaat: een gevoeligheid van 93% \u00b1 12% en een precisie van 55% \u00b1 30% in het groepsniveau. 100% nauwkeurigheid werd bereikt in de 4,3 uur durende opname van een deelnemer met 5 ictale ontladingen.\n\nMet betrekking tot de toepassingen voor personen met de ziekte van Parkinson hebben we eerst een klinische praktijkstudie uitgevoerd. De studie bepaalde wat de meest effectieve taak in situ is om bevriezing van het lopen te veroorzaken (hoofdstuk 4). We hebben 16 deelnemers onderzocht met de ziekte van Parkinson en subjectieve ervaring van dagelijkse bevriezingsincidenten (niet meer kunnen starten met lopen). Alle pati\u00ebnten werden onderzocht in een praktisch gedefinieerde OFF-status, namelijk >12 uur na de inname van de laatste dosis dopaminerge medicijnen. De volgende taken werden door elke pati\u00ebnt \u00e9\u00e9n keer uitgevoerd, elk gedurende 30 seconden: (a) in situ stappen met zelfgekozen snelheid; (b) een snelle halve draai maken (180\u25e6) in situ; en (c) een snelle hele draai maken (360\u25e6) in situ. Snelle halve en volledige draai in situ bleek effectiever om bevriezingen uit te lokken dan stappen in situ. Uit ons onderzoek concluderen we dat het aan te raden is om de pati\u00ebnt te vragen om ter plaatse snel 180 of 360 graden te draaien (360 graden heeft de voorkeur bij pati\u00ebnten met mildere bevriezingsverschijnselen) wanneer het de bedoeling is om in de dagelijkse klinische praktijk bevriezingsepisodes uit te lokken (wanneer de beschikbare tijd voor het lichamelijk onderzoek beperkt is). We suggereren dit te herhalen wanneer het eerste resultaat negatief is.\n\nOm op een geldige en betrouwbare manier bevriezingsepisodes in het dagelijks leven te evalueren, hebben we bevriezingsepisodes gekarakteriseerd en gedetecteerd met gebruik van multimodale karakteristieken van de hersenen, het oog, het hart, de beweging en looppatroon activiteiten (hoofdstuk 5). De snelheid van de oogstabilisatie tijdens het draaien en het trillen van het onderlichaam bleken significant geassocieerd met bevriezingsepisodes en werd daarom gebruikt voor het detecteren van bevriezingsepisodes. Door middel van een leave-one-subject-out kruisvalidatie werd een gevoeligheid van 97% \u00b1 3%, een specificiteit van 96% \u00b1 7%, een precisie van 73% \u00b1 21%, een Matthews-correlatieco\u00ebffici\u00ebnt van 0,82 \u00b1 0,15 en een gebied onder de Precision-Recall-curve van 0,94 \u00b1 0,05 gehaald. Volgens de Precision-Recall curves presteerde de voorgestelde bevriezingsdetectiemethode met behulp van de multimodale karakteristieken beter dan het gebruik van single-modale karakteristieken.\n\nIn hoofdstuk 6 presenteerden we een fundamenteel wetenschappelijke studie om de relatie tussen bevriezingsepisodes en saccadische oogbewegingen voor kijkrichting en kijkrichtingstabilisatie tijdens het draaien verder te onderzoeken. De oogbewegingen die werden verkregen uit elektrooculografie (EOG) signalen werden gekenmercht door de gemiddelde positie van de kijkrichting, de amplitude van de verschuivingen in de kijkrichting en de snelheid van de stabilisatie van de kijkrichting. We hebben deze variabelen voor en tijdens de bevriezingsepisodes vergeleken met de variabelen tijdens succesvol draaien. Significante veranderingen in de kijkrichting werden bijna \u00e9\u00e9n draai cyclus voor de bevriezingsepisodes waargenomen. Daarnaast nam de snelheid van de stabilisatie van de kijkrichting aanzienlijk af tijdens de bevriezingsepisodes. We stellen dat afwijkende trends in de kijkrichting van de huidige draaicirkel voorspellend kunnen zijn voor de bevriezingsepisodes. De oorzaak hiervan kan liggen in het feit dat de bewegings-foutencorrectie niet goed functioneert of dat er onvoldoende voorbereiding is op de oog-tot-voetco\u00f6rdinatie tijdens het draaien. Bovendien stellen we dat de afname van de snelheid van de stabilisatie van de kijkrichting een bewijs is van een gezond vestibulair reflexsysteem bij personen met bevriezingsverschijnselen.\n\nDe toepassing van de e-health-oplossing wordt tegenwoordig in het dagelijks leven op steeds grotere schaal gebruikt door de snelle vooruitgang van de technieken. De universele toepassing van e-health monitoringsystemen kan helpen om de belasting van de gezondheidszorg te verminderen en om tijdige behandelingen voor individuen te ondersteunen. Nauwkeurige e-health monitoringsystemen zijn echter nog steeds een uitdaging. We suggereren hierbij een nauwe samenwerking tussen onderzoekers in de klinische, fundamenteel wetenschappelijke en technische vakgebieden om toekomstige e-health monitoringstechnieken te ontwikkelen. Ge\u00efnspireerd door problemen tijdens de klinische praktijk, ondersteund door resultaten van de fundamentele wetenschap, en geassisteerd door het ontwikkelen van engineeringtechnieken, is het mogelijk om in de toekomst nauwkeurige e-health monitoringsystemen te verkrijgen voor mensen overal ter wereld.","summary":"E-health solutions, such as patient monitoring using wearable technologies, have been widely promoted. The broad usage of e-health solutions can decrease the burden of national health care system and increase quality of care. However, the extremely variable physiological signals and patient demography are barriers to accurate e-health monitoring systems. In this thesis, we stated our research about e-health monitoring systems for individuals with epilepsy or Parkinson\u2019s disease. We developed the systems from the perspective of clinical (chapter 2 & 4), basic science (chapter 5 & 6), and engineering (chapter 3 & 5) research.\n\nWith respect to the applications for individual with epilepsy, we first did a clinical study to investigate the causes of unreliable electroencephalography (EEG) analysis for the diagnosis of non-convulsive status epilepticus (chapter 2). The typical pitfalls in EEG visual (by human raters) and automated (by computer technology) analysis were identified in this chapter. We also provided suggestions as to how those pitfalls might be avoided. We found that short ictal discharges with a gradual onset (developing over 3 seconds in length) were liable to be misinterpreted. Other pitfalls were the misinterpretation of abnormal background activity (slow wave activities, other abnormal brain activity, and ictal-like movement artifacts), continuous interictal discharges, and continuous short ictal discharges. We argued that a longer duration criterion for NCSE-EEGs than the one suggested by the Salzburg criteria is needed. Using knowledge of historical EEGs, individualized algorithms, and context-dependent alarm thresholds may also avoid the pitfalls.\n\nTo reduce false alarms in the non-convulsive seizure detection, we proposed a detection system to prevent three common errors: over-interpretation of abnormal background activity, dense short ictal discharges and continuous interictal discharges as ictal discharges in chapter 3. To reduce the false alarms caused by abnormal background activity, we used morphological features extracted by visibility graph methods in addition to time-frequency features. To reduce the false alarms caused by over-interpreting short ictal discharges and interictal discharges, we created two synthetic classes\u2014\u201cSuspected Non-ictal\u201d and \u201cSuspected Ictal\u201d\u2014based on the misclassified categories and constructed a synthetic 4-class dataset combining the standard two classes\u2014\u201cNon-ictal\u201d and \u201cIctal\u201d\u2014to train a 4-class classifier. The 4-class classification model improved the performance of the standard 2-class model, especially increased the precision by 15% at an 80% sensitivity level when only time-frequency features were used. Using the morphological features, the 4-class classification model achieved the best performances: a sensitivity of 93% \u00b1 12% and a precision of 55% \u00b1 30% in the group level. 100% accuracy was reached in a participant\u2019s 4.3-hour recording with 5 ictal discharges.\n\nWith respect to the applications for individual with Parkinson\u2019s disease, we firstly executed a clinical practice study to determine the most effective in-place task to provoke freezing of gait (chapter 4). We included 16 patients with Parkinson\u2019s disease and subjective experience of daily freezing episodes. All patients were examined in a practically defined OFF state, i.e., >12 hours after intake of the last dose of dopaminergic medication. The following tasks were performed once by each patient, for 30 seconds each: (a) stepping in place at self-selected speed; (b) making a rapid half turn (180 degree) in place; and (c) making a rapid full turn (360 degree) in place. Rapid half and full turn in place were found to be more effective to provoke freezing episodes than stepping-in-place. We recommend to ask the patient to make rapid alternating 180 or 360 degrees turns on the spot (360 degrees being preferred for patients with milder freezing) when aiming to provoke freezing in daily clinical practice (when the available time for physical examination is limited), and to repeat this when the first result is negative.\n\nTo validly and reliably evaluate freezing of gait in daily life, we characterized and detected freezing episodes using multi-modal features from brain, eye, heart, motion, and gait activity (chapter 5). The eye-stabilization speed during turning and lower-body trembling measure were found to be significantly associated with freezing episodes and therefore used for freezing detection. Using a leave-one-subject-out cross-validation, we obtained a sensitivity of 97% \u00b1 3%, a specificity of 96% \u00b1 7%, a precision of 73% \u00b1 21%, a Matthews correlation coefficient of 0.82 \u00b1 0.15, and an area under the Precision-Recall curve of 0.94 \u00b1 0.05. According to the Precision-Recall curves, the proposed freezing detection method using the multi-modal features performed better than using single-modal features.\n\nIn chapter 6, we presented a basic science study to further explore the relationship between freezing episodes and saccadic eye movements for gaze-direction and gaze-direction stabilization during turning. The eye movements acquired from electrooculography (EOG) signals were characterized by the average position of gaze, the amplitude of gaze shifts, and the speed of gaze-direction stabilization. We compared these variables before and during freezing episodes with the variables during successful turning. Significant changes of gaze direction were observed almost one turn cycle before freezing episodes. In addition, the speed of gaze-direction stabilization significantly decreased during freezing episodes. We speculate that different gaze direction than the current turning orbit might be predictive for freezing due to continued failure in movement-error correction or an insufficient preparation for eye-to-foot coordination during turning. In addition, we argue that the decreases in the speed of gaze-direction stabilization is an evidence of a healthy vestibular reflex system in individuals with freezing episodes.\n\nThe application of e-health solution has been being widely used in daily life with the rapid progress of techniques. The universal application of e-health monitoring systems can help decrease the burden of health care systems and assist timely treatments for individuals. However, accurate e-health monitoring systems are still challenging. Hereby, we would strongly suggest a close collaboration among researchers in the clinical, basic science, and engineering field in future e-health monitoring studies. Inspired by problems during clinical practices, supported by the evidence in basic science, and customizing engineering techniques, we could obtain accurate e-health monitoring systems for people around the world in the future.","auteur":"Ying Wang","auteur_slug":"ying-wang","publicatiedatum":"20 januari 2021","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/yingwang?iframe=true","url_download_pdf":"","url_epub":"","ordernummer":"FTP-202604131205","isbn":"978-94-6284-306-6","doi_nummer":"","naam_universiteit":"Radboud Universiteit","afbeeldingen":11584,"naam_student:":"","binnenwerk":"","universiteit":"Radboud Universiteit","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/11582","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=11582"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/11582\/revisions"}],"predecessor-version":[{"id":11585,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/11582\/revisions\/11585"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/11583"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=11582"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=11582"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}