Vertical ground reaction force marker for Parkinson's disease.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığı (PD) hastaları düzenli olarak anormal yürüyüş kalıpları sergilerler. Anormal yürüyüşün normal yürüyüşten otomatik olarak farklılaşması, erken tanı için potansiyel bir araç olarak hizmet edebilir ve PD tedavisinin etkisini izleyebilir. Mevcut çalışmanın amacı, PD hastalarını normal hızda yürüme sırasında plantar dikey yer reaksiyon kuvveti (VGRF) verilerinden elde edilen özellikler temelinde sağlıklı kontrollerden ayırmaktır. Mevcut çalışma, farklı makine öğrenimi sınıflandırıcılarının doğru bir tahmin sistemi tasarlamaya yönelik etkinliğini vurgulayan kapsamlı bir çalışma sunmaktadır. Sıralı ileri özellik seçimi, salıncak süresi, adım zaman değişkenliği ve basınç merkezi özelliklerine dayalı anlamlı özellik seçimi, kontrol ve PD yürüyüşlerinin başarılı bir şekilde sınıflandırılmasını kolaylaştırdı. Destek Vektör Makinesi (SVM), K-en yakın komşu (KNN), rastgele orman ve karar ağaçları sınıflandırıcıları tahmin modelini oluşturmak için kullanıldı. Kübik çekirdekli SVM'nin diğer sınıflandırıcıları %93,6 doğruluk, %93,1 hassasiyet ve %94,1 özgüllükle geride bıraktığını gördük. Diğer çalışmalara kıyasla, aynı veri setini kullanarak, tasarlanmış tahmin sistemimiz sınıflandırma performansını yaklaşık% 10 oranında geliştirdi. Mevcut çalışmanın sonuçları, VGRF verilerinin giyilebilir cihazlardan invazif olmayan bir şekilde elde edilmesinin, titizlikle seçilmiş özellikler üzerinde eğitilmiş bir SVM sınıflandırıcısı ile birlikte, PD'nin teşhisi ve terapi sonrası patolojinin etkinliğini izlemenin bir aracı olarak önemini vurgulamaktadır.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) patients regularly exhibit abnormal gait patterns. Automated differentiation of abnormal gait from normal gait can serve as a potential tool for early diagnosis as well as monitoring the effect of PD treatment. The aim of current study is to differentiate PD patients from healthy controls, on the basis of features derived from plantar vertical ground reaction force (VGRF) data during walking at normal pace. The current work presents a comprehensive study highlighting the efficacy of different machine learning classifiers towards devising an accurate prediction system. Selection of meaningful feature based on sequential forward feature selection, the swing time, stride time variability, and center of pressure features facilitated successful classification of control and PD gaits. Support Vector Machine (SVM), K-nearest neighbor (KNN), random forest, and decision trees classifiers were used to build the prediction model. We found that SVM with cubic kernel outperformed other classifiers with an accuracy of 93.6%, the sensitivity of 93.1%, and specificity of 94.1%. In comparison to other studies, utilizing same dataset, our designed prediction system improved the classification performance by approximately 10%. The results of the current study underscore the ability of the VGRF data obtained non-invasively from wearable devices, in combination with a SVM classifier trained on meticulously selected features, as a tool for diagnosis of PD and monitoring effectiveness of therapy post pathology.

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.