NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yumuşak giyilebilir sensörlerden yakalanan veri akışlarını kullanan makine öğrenme algoritmaları, PD semptomlarını otomatik olarak tespit etme ve klinisyenleri hastalığın ilerlemesi hakkında bilgilendirme potansiyeline sahiptir. Bununla birlikte, bu algoritmalar semptomları tanıyabilen klinik uzmanlardan gelen açıklamalı verilerle eğitilmelidir ve bu tür verilerin toplanması maliyetlidir. Kaç sensörün ve ne kadar etiketli verinin gerekli olduğunu anlamak, bu modellerin klinik dışında başarılı bir şekilde konuşlandırılmasının anahtarıdır. Burada, 1 günde yapılan ve 2 hafta sonra tekrarlanan çoklu klinik değerlendirmeler boyunca PD'li 20 bireyde 6 esnek giyilebilir sensör kullanarak hareket verilerini kaydettik. Katılımcılar, yürüme veya yazma gibi 13 ortak görevi yerine getirdi ve bir klinisyen semptomların şiddetini (bradikinezi ve titreme) değerlendirdi. Daha sonra, bir hareket segmentinin diğer kişiler tarafından gerçekleştirilen görevlerden elde edilen verilere dayanarak bradikinezi veya titreme belirtileri gösterip göstermediğini tespit etmek için konvolutional sinir ağları ve istatistiksel toplulukları eğittik. Sonuçlarımız, elin arkasındaki tek bir giyilebilir sensörün, üst ekstremitelerde bradikinezi ve titremeyi tespit etmek için yeterli olduğunu, oysa her iki taraftaki sensörlerin kullanılması performansı iyileştirmediğini göstermektedir. Diğer bireyleri ekleyerek eğitim verilerinin miktarının arttırılması, daha iyi performansa yol açabilir, ancak aynı bireylerle yapılan değerlendirmeleri tekrarlamak - farklı ilaç durumlarında bile - günler boyunca tespiti önemli ölçüde iyileştirmez. Sonuçlarımız, PD semptomlarının çeşitli aktiviteler sırasında tespit edilebileceğini ve birçok kişiyi içeren bir veri kümesi tarafından en iyi şekilde modellenebileceğini göstermektedir.
Özgün kaynak özetini okuyun
Machine learning algorithms that use data streams captured from soft wearable sensors have the potential to automatically detect PD symptoms and inform clinicians about the progression of disease. However, these algorithms must be trained with annotated data from clinical experts who can recognize symptoms, and collecting such data are costly. Understanding how many sensors and how much labeled data are required is key to successfully deploying these models outside of the clinic. Here we recorded movement data using 6 flexible wearable sensors in 20 individuals with PD over the course of multiple clinical assessments conducted on 1 day and repeated 2 weeks later. Participants performed 13 common tasks, such as walking or typing, and a clinician rated the severity of symptoms (bradykinesia and tremor). We then trained convolutional neural networks and statistical ensembles to detect whether a segment of movement showed signs of bradykinesia or tremor based on data from tasks performed by other individuals. Our results show that a single wearable sensor on the back of the hand is sufficient for detecting bradykinesia and tremor in the upper extremities, whereas using sensors on both sides does not improve performance. Increasing the amount of training data by adding other individuals can lead to improved performance, but repeating assessments with the same individuals-even at different medication states-does not substantially improve detection across days. Our results suggest that PD symptoms can be detected during a variety of activities and are best modeled by a dataset incorporating many individuals.
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.