NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FoG), Parkinson hastalığı (PD) olan hastalarda yaygın bir motor semptomdur. FoG yürüyüş inisiyasyonunu ve yürümeyi bozar ve düşme riskini artırır. FoG tespit algoritmalarını uygulayan akıllı harici ipuçları sistemleri, hastaların donduktan sonra yürüyüşlerini geri kazanmalarına yardımcı olmak için geliştirilmiştir. Bununla birlikte, ortaya çıkmadan önce FoG'yi tahmin etmek önleyici ipuçları sağlar ve FoG'yi önleyebilir. Bu tür tahminler, donmayan olaylara kıyasla göreli donma sıklığı göz önüne alındığında zorlayıcı olmaya devam etmektedir. Bu çalışmada, bireysel ve topluluk sınıflandırıcılarının FoG'yi tahmin etme yeteneğini araştırdık. Ayrıca ADAPtive SYNthetic (ADASYN) örnekleme algoritmasının ve sınıflandırma maliyetinin sınıflandırıcı performansı üzerindeki etkisini inceledik. On sekiz PD hastası ayak bileklerinde ivmeölçer takarak günlük yürüyüş görevlerini yerine getirdi ve dokuzu FoG yaşadı. Destek Vektör Makineleri, K-Yakın Komşular ve Torbalama tekniklerini kullanan Multi-Layer Perceptron tarafından oluşturulan ensemble sınıflandırıcı, sentetik FoG örneklerinin eğitim setine eklendiğinde ve sınıf maliyeti normal yürüyüşün iki katı olarak ayarlandığında en yüksek performansı gösterdi (F1 = 90.7). Model, olayların %97,4'ünü tespit etti ve %66,7'si tahmin edildi. Bu çalışma, algoritmamızın yürüyüş olaylarının doğru tahmin edilmesi ve sınırlı olay sıklığına rağmen önleyici ipucu sağlama potansiyelini göstermektedir.
Özgün kaynak özetini okuyun
Freezing of gait (FoG) is a common motor symptom in patients with Parkinson's disease (PD). FoG impairs gait initiation and walking and increases fall risk. Intelligent external cueing systems implementing FoG detection algorithms have been developed to help patients recover gait after freezing. However, predicting FoG before its occurrence enables preemptive cueing and may prevent FoG. Such prediction remains challenging given the relative infrequency of freezing compared to non-freezing events. In this study, we investigated the ability of individual and ensemble classifiers to predict FoG. We also studied the effect of the ADAptive SYNthetic (ADASYN) sampling algorithm and classification cost on classifier performance. Eighteen PD patients performed a series of daily walking tasks wearing accelerometers on their ankles, with nine experiencing FoG. The ensemble classifier formed by Support Vector Machines, K-Nearest Neighbors, and Multi-Layer Perceptron using bagging techniques demonstrated highest performance (F1 = 90.7) when synthetic FoG samples were added to the training set and class cost was set as twice that of normal gait. The model identified 97.4% of the events, with 66.7% being predicted. This study demonstrates our algorithm's potential for accurate prediction of gait events and the provision of preventive cueing in spite of limited event frequency.
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.