NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FOG), Parkinson hastalığında (PD) en etkisiz motor semptomlardan biridir. FOG'nun ortaya çıkması hastaların yaşam kalitesini düşürür ve düşmeye yol açar. FOG değerlendirmesi genellikle anketler yoluyla yapılmıştır, ancak bu yöntem öznel olabilir ve bu semptomun ciddiyetinin doğru bir şekilde temsilini sağlayamaz. Sensör tabanlı sistemlerin kullanımı, semptomların PD yönetimini ve tedavilerini optimize etmek için evrimini izlemek için doğru ve objektif bilgi sağlayabilir. Birkaç yazar, giyilebilir malzemelere ve laboratuvar koşullarında FOG'yu tespit etmek için atalet sinyallerinin analizine dayanan belirli yöntemler önermiştir, ancak hastaların evlerinde kullanıldığında performansı genellikle daha düşüktür. Bu çalışma, gerçek ev ortamlarında kullanılacak FOG algılama performansını artırmak için tekrarlayan bir sinir ağına (RNN) ve tek bir bel-yıpranmış triaksiyal ivmeölçerine dayanan yeni bir yaklaşım sunmaktadır. Ayrıca, FOG tespiti için çeşitli makine ve derin öğrenme yaklaşımları, left-one-subject-out (LOSO) çapraz doğrulaması kullanılarak değerlendirilir. Sonuçlar, bitişik pencerelerin spektral bilgilerinin bir RNN aracılığıyla modellenmesinin, analiz penceresinin uzunluğunu artırmadan FOG algılama performansında önemli bir iyileşme sağlayabileceğini göstermektedir (bir işaret sistemi olarak kullanmak için gereklidir).
Özgün kaynak özetini okuyun
Freezing of gait (FOG) is one of the most incapacitating motor symptoms in Parkinson's disease (PD). The occurrence of FOG reduces the patients' quality of live and leads to falls. FOG assessment has usually been made through questionnaires, however, this method can be subjective and could not provide an accurate representation of the severity of this symptom. The use of sensor-based systems can provide accurate and objective information to track the symptoms' evolution to optimize PD management and treatments. Several authors have proposed specific methods based on wearables and the analysis of inertial signals to detect FOG in laboratory conditions, however, its performance is usually lower when being used at patients' homes. This study presents a new approach based on a recurrent neural network (RNN) and a single waist-worn triaxial accelerometer to enhance the FOG detection performance to be used in real home-environments. Also, several machine and deep learning approaches for FOG detection are evaluated using a leave-one-subject-out (LOSO) cross-validation. Results show that modeling spectral information of adjacent windows through an RNN can bring a significant improvement in the performance of FOG detection without increasing the length of the analysis window (required to using it as a cue-system).
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.