PHTNet: Characterization and Deep Mining of Involuntary Pathological Hand Tremor using Recurrent Neural Network Models.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Küresel yaşlanma fenomeni, Parkinson Hastalığı (PD) ve Essential Tremor (ET) dahil olmak üzere yaşa bağlı nörolojik hareket bozuklukları olan bireylerin sayısını artırmıştır. Bu tür bozuklukların en yaygın motor belirtileri arasında kabul edilen Patolojik El Tremoru (PHT), hastaların bağımsızlıklarını ve yaşam kalitesini ciddi şekilde etkileyebilir. Gelişmiş rehabilitasyon ve yardımcı teknolojiler geliştirmek için, durağan olmayan PHT'nin doğru tahmini / tahmini kritiktir, ancak gerekli doğruluk seviyesine henüz ulaşılamamıştır. PHT'nin spektrotemporal özelliklerini tam olarak temsil edebilen büyük veri kümelerinin ve genelleştirilebilir modelleme tekniklerinin eksikliği, bu hedefe ulaşmada kritik bir darboğaz olmuştur. Bu makale, el hareketinin PHT bileşenini tahmin etmek ve ortadan kaldırmak için derin tekrarlayan bir model kurarak bu karşılanmamış ihtiyacı giderir. Daha spesifik olarak, makine öğrenimine dayalı, varsayımsız ve gerçek zamanlı bir PHT eliminasyon çerçevesi olan PHTNet'i, derin çift yönlü nöral sinir ağlarını birleştirerek sunuyoruz. PHTNet, 3 yılı aşkın bir süredir bir hareket bozukluğu kliniğinde sistematik olarak toplanan 81 ET ve PD hastasının el hareket veri seti üzerinden geliştirilmiştir. PHTNet, tahmin çözünürlüğünü en üst düzeye çıkaran ve gelecekteki ve yaklaşan alt hareketlerin tahmin edilmesine olanak tanıyan PHT eliminasyonu için bu ölçekte geliştirilen ilk akıllı sistem modelidir.

Özgün kaynak özetini okuyun

The global aging phenomenon has increased the number of individuals with age-related neurological movement disorders including Parkinson's Disease (PD) and Essential Tremor (ET). Pathological Hand Tremor (PHT), which is considered among the most common motor symptoms of such disorders, can severely affect patients' independence and quality of life. To develop advanced rehabilitation and assistive technologies, accurate estimation/prediction of nonstationary PHT is critical, however, the required level of accuracy has not yet been achieved. The lack of sizable datasets and generalizable modeling techniques that can fully represent the spectrotemporal characteristics of PHT have been a critical bottleneck in attaining this goal. This paper addresses this unmet need through establishing a deep recurrent model to predict and eliminate the PHT component of hand motion. More specifically, we propose a machine learning-based, assumption-free, and real-time PHT elimination framework, the PHTNet, by incorporating deep bidirectional recurrent neural networks. The PHTNet is developed over a hand motion dataset of 81 ET and PD patients collected systematically in a movement disorders clinic over 3 years. The PHTNet is the first intelligent systems model developed on this scale for PHT elimination that maximizes the resolution of estimation and allows for prediction of future and upcoming sub-movements.

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.