NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yerleşik ivmeölçerli cep telefonları, günlük hareketleri ölçmek ve bu hareketleri faaliyetlere sınıflandırmak için uygun, objektif bir yol vaat ediyor. Hızölçer verilerini kullanarak 18 sağlıklı denek ve Parkinson hastalığı olan sekiz hastanın aşağıdaki faaliyetlerini tahmin ediyoruz: yürümek, ayakta durmak, oturmak, tutmak veya telefonu takmamak. Zaman serisi analizi için standart makine öğrenme sınıflandırıcılarını (destek vektör makineleri, düzenli lojistik regresyon) otomatik olarak seçmek, tartmak ve büyük bir standart özellik setini birleştirmek için kullanıyoruz. Tüm örneklerde çapraz doğrulamayı kullanarak sağlıklı deneklerin faaliyetlerinin %96,1'ini ve Parkinson hastalarının faaliyetlerinin %92,2'sini doğru bir şekilde tespit edebiliyoruz. Bununla birlikte, sağlıklı deneklerin setinden elde edilen sınıflandırma parametrelerini Parkinson hastalarına uygularken, hareketin farklı özellikleri nedeniyle yüzde doğru yüzde 60.3'e düşer. Popülasyonlar arasında daha adil bir karşılaştırma için, sağlıklı konu etkinliklerini %86,0 doğruluk ve %75,1 doğrulukla tanımlayan konusal çapraz doğrulama da uyguladık. Bu popülasyonlar arasındaki temel farklılıkları ve sağlıklı konu verileri için tasarlanan ve eğitilen algoritmaların motor engelli popülasyonlarda aktivite tanıma için neden güvenilir olmadığını tartışıyoruz.
Özgün kaynak özetini okuyun
Mobile phones with built-in accelerometers promise a convenient, objective way to quantify everyday movements and classify those movements into activities. Using accelerometer data we estimate the following activities of 18 healthy subjects and eight patients with Parkinson's disease: walking, standing, sitting, holding, or not wearing the phone. We use standard machine learning classifiers (support vector machines, regularized logistic regression) to automatically select, weigh, and combine a large set of standard features for time series analysis. Using cross validation across all samples we are able to correctly identify 96.1% of the activities of healthy subjects and 92.2% of the activities of Parkinson's patients. However, when applying the classification parameters derived from the set of healthy subjects to Parkinson's patients, the percent correct lowers to 60.3%, due to different characteristics of movement. For a fairer comparison across populations we also applied subject-wise cross validation, identifying healthy subject activities with 86.0% accuracy and 75.1% accuracy for patients. We discuss the key differences between these populations, and why algorithms designed for and trained with healthy subject data are not reliable for activity recognition in populations with motor disabilities.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.