NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FOG), orta ve geç evre Parkinson hastalığında yaygın olan, hareketliliği etkileyen ve düşme riskini artıran ciddi bir yürüyüş bozukluğudur. Giyilebilir sensörler, FOG'yu tespit etmek ve tahmin etmek için, donmaları önlemek veya yürüyüş izleme ve yardımcı cihazlar kullanarak etkilerini azaltmak için kullanılmıştır. Bu inceleme, FOG algılama ve tahmin sanatının durumunu, giyilebilir sensörler kullanarak, mevcut bilgiler hakkında rehberlik sağlamak ve doldurulması gereken bilgi boşluklarını ve gelecekteki çalışmalarda dikkate alınması gereken zorlukları belirlemek amacıyla sunar ve değerlendirir. Bu inceleme, Parkinson hastalığındaki FOG bölümlerini tespit etmek veya tahmin etmek için giyilebilir sensörler kullanan çalışmaları belirlemek için Scopus, PubMed ve Web of Science veritabanlarını araştırdı. Gösterimin ardından, FOG tespit eden 68 yayın, FOG tahmin eden yedi ve her iki kategoride bir olmak üzere 74 yayın yer aldı. Katılımcılar, yürüme görevi, sensör tipi ve vücut konumu, tespit veya tahmin yaklaşımı, özellik çıkarma ve seçim, sınıflandırma yöntemi ve tespit ve tahmin performansı ile ilgili ayrıntılar çıkarıldı. Sonuçlar, farklı özellik setleriyle birleştirilen giderek karmaşıklaşan makine öğrenme algoritmalarının FOG tespitini geliştirdiğini gösterdi. Büyük FOG veri kümelerinin eksikliği ve kişiye özel FOG tezahürü yaygın zorluklardı. Transfer öğrenme ve yarı denetimli öğrenme, model genellemesini korurken kişiye özgü ayarlama sağladıkları için FOG tespiti ve tahmini için umut vericiydi.
Özgün kaynak özetini okuyun
Freezing of gait (FOG) is a serious gait disturbance, common in mid- and late-stage Parkinson's disease, that affects mobility and increases fall risk. Wearable sensors have been used to detect and predict FOG with the ultimate aim of preventing freezes or reducing their effect using gait monitoring and assistive devices. This review presents and assesses the state of the art of FOG detection and prediction using wearable sensors, with the intention of providing guidance on current knowledge, and identifying knowledge gaps that need to be filled and challenges to be considered in future studies. This review searched the Scopus, PubMed, and Web of Science databases to identify studies that used wearable sensors to detect or predict FOG episodes in Parkinson's disease. Following screening, 74 publications were included, comprising 68 publications detecting FOG, seven predicting FOG, and one in both categories. Details were extracted regarding participants, walking task, sensor type and body location, detection or prediction approach, feature extraction and selection, classification method, and detection and prediction performance. The results showed that increasingly complex machine-learning algorithms combined with diverse feature sets improved FOG detection. The lack of large FOG datasets and highly person-specific FOG manifestation were common challenges. Transfer learning and semi-supervised learning were promising for FOG detection and prediction since they provided person-specific tuning while preserving model generalization.
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.