NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Giyilebilir sensör teknolojisi ve makine öğrenimindeki (ML) son gelişmeler, Parkinson hastalığı ve inme de dahil olmak üzere klinik uygulamalarda insan hareketinin kesintisiz ve objektif bir şekilde incelenmesine izin vermiştir. Sensör verilerindeki belirgin kalıpları tanımlamak için ML kullanmak nörolojik bozukluklarda yaygın uygulama potansiyeline sahiptir, bu nedenle bu yaklaşımın kişinin araştırma alanı için nasıl geliştirileceğini anlamak hayati önem taşır. Daha önce, felç hastalarının yaptığı hareketleri sınıflandırmak için giyilebilir atalet ölçüm birimlerini (IMU'lar) ve ML'yi birleştiren bir yaklaşım önerdik. Bununla birlikte, yaklaşımımızın hesaplamalı ve pratik sınırlamaları vardı. Bu sınırlamaları burada bir primer şeklinde ele alıyoruz, klinik uygulama için bir sensör-ML yaklaşımının nasıl optimize edileceğini sunuyoruz. İlk olarak, sınıflandırma performansını ve pragmatik uygulamayı en üst düzeye çıkaran ML algoritmasını nasıl tanımlayacağımızı gösteriyoruz. İkincisi, sınıflandırma performansını en üst düzeye çıkaran ancak maliyeti düşüren hareket yakalama yaklaşımını nasıl tanımlayacağımızı gösteriyoruz. Rehabilitasyon benzeri bir aktivite sırasında raf dışı IMU giyen kronik inme hastalarından daha önce toplanan hareket verilerini kullandık. Optimal ML algoritmasını tanımlamak için, dört adet raf dışı algoritmanın sınıflandırma performansını, hesaplama karmaşıklığını ve ayar gereksinimlerini karşılaştırdık. Optimum hareket yakalama yaklaşımını tanımlamak için, çeşitli sensör konfigürasyonlarının (vücuttaki sayı ve konum) ve sensör tipinin (IMU'lar vs. ivmeölçer) sınıflandırma performansını karşılaştırdık. Test edilen algoritmalardan doğrusal diskriminant analizi en yüksek sınıflandırma performansına, düşük hesaplama karmaşıklığına ve mütevazı ayar gereksinimlerine sahipti. Test edilen sensör konfigürasyonlarından, paretik kol ve gövdedeki yedi sensör en yüksek sınıflandırma performansına yol açtı ve IMU'lar ivmeölçerlerden daha iyi performans gösterdi. Genel olarak, hem sınıflandırma performansını hem de pragmatik uygulamayı en üst düzeye çıkaran rafine edilmiş bir sensör-ML yaklaşımı sunuyoruz. Buna ek olarak, bu astarla, nicel hareket değerlendirmesi için raf dışı algoritmaları ve sensörleri değerlendirmek için önemli hususları sergiliyoruz.
Özgün kaynak özetini okuyun
Recent advances in wearable sensor technology and machine learning (ML) have allowed for the seamless and objective study of human motion in clinical applications, including Parkinson's disease, and stroke. Using ML to identify salient patterns in sensor data has the potential for widespread application in neurological disorders, so understanding how to develop this approach for one's area of inquiry is vital. We previously proposed an approach that combined wearable inertial measurement units (IMUs) and ML to classify motions made by stroke patients. However, our approach had computational and practical limitations. We address these limitations here in the form of a primer, presenting how to optimize a sensor-ML approach for clinical implementation. First, we demonstrate how to identify the ML algorithm that maximizes classification performance and pragmatic implementation. Second, we demonstrate how to identify the motion capture approach that maximizes classification performance but reduces cost. We used previously collected motion data from chronic stroke patients wearing off-the-shelf IMUs during a rehabilitation-like activity. To identify the optimal ML algorithm, we compared the classification performance, computational complexity, and tuning requirements of four off-the-shelf algorithms. To identify the optimal motion capture approach, we compared the classification performance of various sensor configurations (number and location on the body) and sensor type (IMUs vs. accelerometers). Of the algorithms tested, linear discriminant analysis had the highest classification performance, low computational complexity, and modest tuning requirements. Of the sensor configurations tested, seven sensors on the paretic arm and trunk led to the highest classification performance, and IMUs outperformed accelerometers. Overall, we present a refined sensor-ML approach that maximizes both classification performance and pragmatic implementation. In addition, with this primer, we showcase important considerations for appraising off-the-shelf algorithms and sensors for quantitative motion 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.