NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Sağlam yürüyüş segmentasyonu, mobil yürüyüş analizinin temelini oluşturur. Sağlıklı ve patolojik yürüyüş nöbetlerinin yürüyüş segmentasyonu için bir dizi yöntem uygulanmış ve değerlendirilmiştir. Ancak Parkinson hastalığında (PD) yürüyüş segmentasyon yöntemlerinin birleşik bir değerlendirmesi eksiktir. Bu makalede, yürüyüş işlemedeki güçlü ve dezavantajlarını ortaya çıkarmak için dört yaygın yürüyüş segmentasyon yöntemini karşılaştırıyoruz. Olay tabanlı yöntemlerden zirve tespitini, şablon eşleştirme yöntemlerinden dinamik zaman eğriliğinin iki varyasyonunu ve makine öğrenme yöntemlerinden hiyerarşik gizli Markov modellerini (hHMM'ler) değerlendirdik. Yöntemleri değerlendirmek için, Parkinson yürüyüşünün incelenmesinde yaygın olarak kullanılan iki denetimli ve enstrümanlı yürüyüş testi ekledik. İlk deneyde, 10 PD hastasından talimat verilen düz yürüyüşlerden bir dizi adım ölçüldü. İkinci deneyde, düz yürüyüşler ve dönüş adımlarının yanı sıra stride olmayan hareketler de dahil olmak üzere ek 34 PD hastalarından daha heterojen bir değerlendirme paradigması kullanıldı. İkinci deneyin amacı, zorlu durumlardaki yöntemleri, dönüş basamakları ve stride olmayan hareketler de dahil olmak üzere değerlendirmekti. Sonuçlar, tüm yöntemlerin F-skoru açısından neredeyse% 100 doğruluk elde ettiği ilk senaryo için yöntemler arasında önemli bir fark göstermedi. Bu nedenle, önceden tanımlanmış ve homojen bir basamak dizisi durumunda, tüm yöntemlerin eşit olarak uygulanabileceği sonucuna vardık. Ancak, ikinci deneyde yöntemler arasındaki fark belirginleşti, hHMM %96 F-skoru elde etti ve diğer yöntemlerden önemli ölçüde daha iyi performans gösterdi. HHMM ayrıca klinik yürüyüş analizi için kritik olan basamaklar ve stride olmayan hareketler arasında ayrım yapmak konusunda umut verici olduğunu kanıtladı. Sonuçlarımız, hem enstrümantasyonlu test prosedürünün hem de gerekli stride segmentasyon algoritmasının, sensör tabanlı hareket değerlendirmesi ile klasik klinik muayeneyi desteklemek ve tamamlamak için yeterince seçilmesi gerektiğini göstermektedir.
Özgün kaynak özetini okuyun
Robust gait segmentation is the basis for mobile gait analysis. A range of methods have been applied and evaluated for gait segmentation of healthy and pathological gait bouts. However, a unified evaluation of gait segmentation methods in Parkinson's disease (PD) is missing. In this paper, we compare four prevalent gait segmentation methods in order to reveal their strengths and drawbacks in gait processing. We considered peak detection from event-based methods, two variations of dynamic time warping from template matching methods, and hierarchical hidden Markov models (hHMMs) from machine learning methods. To evaluate the methods, we included two supervised and instrumented gait tests that are widely used in the examination of Parkinsonian gait. In the first experiment, a sequence of strides from instructed straight walks was measured from 10 PD patients. In the second experiment, a more heterogeneous assessment paradigm was used from an additional 34 PD patients, including straight walks and turning strides as well as non-stride movements. The goal of the latter experiment was to evaluate the methods in challenging situations including turning strides and non-stride movements. Results showed no significant difference between the methods for the first scenario, in which all methods achieved an almost 100% accuracy in terms of F-score. Hence, we concluded that in the case of a predefined and homogeneous sequence of strides, all methods can be applied equally. However, in the second experiment the difference between methods became evident, with the hHMM obtaining a 96% F-score and significantly outperforming the other methods. The hHMM also proved promising in distinguishing between strides and non-stride movements, which is critical for clinical gait analysis. Our results indicate that both the instrumented test procedure and the required stride segmentation algorithm have to be selected adequately in order to support and complement classical clinical examination by sensor-based movement assessment.
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.