NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planParkinson hastalığı (PD), titreme ve bradikinezi gibi karakteristik motor semptomlara sahip, ilerleyici bir nörolojik hastalıktır. Bu ve diğer semptomları vücut yorgunu sensör teknolojisi ile sürekli olarak izlemek için artan bir ilgi var. Bununla birlikte, sınırlı pil ömrü ve bellek kapasitesi, bu cihazlarla sürekli, uzun süreli izleme potansiyelini engeller. Sensör eklemenin, örnekleme oranını artırmanın veya karmaşık sinyal özelliklerini hesaplamanın göreceli değeri hakkında çok az bilgi vardır, bunların hepsi hesaplama kaynakları pahasına semptom tespitinin doğruluğunu artırabilir. Burada, PD'li hastalarda sarsıntı ve bradikineziyi sınıflandırmak için giyilebilir sensör verilerini kullanırken veri ölçüm özellikleri ve doğruluğu arasındaki ilişkiyi araştırmak için önceki bir çalışma üzerine inşa ediyoruz.PD'li MethodsThirteen bireyler, esnek, cilte monte edilmiş bir sensör (üç eksenli ivmeölçer ve jiroskop verilerinin toplanması) ve ağırlıklı olarak etkilenen ellerinde ticari bir akıllı saat (üç eksenli ivmeölçer verilerinin toplanması) giydiler. Katılımcılar, bir klinisyen o uzuvdaki titreme ve bradikinezinin şiddetini puanladığı bir dizi standart motor görevi gerçekleştirdi. Makine öğrenme modelleri, sarsıntı ve bradikineziyi sınıflandırmak için puanlanmış veriler üzerinde eğitildi. Model performansı, farklı sensör türleri (akselerometre ve / veya jiroskop), farklı veri örnekleme oranları (62.5 Hz'e kadar) ve önceden tasarlanmış özelliklerin farklı kategorileri (148 özelliğe kadar) kullanıldığında karşılaştırıldı. Performans ayrıca her analiz için esnek sensör ve akıllı saat arasında karşılaştırılmıştır.Sonuçlarİlk olarak, titreme semptomlarını sınıflandırmak için cihaz tipinin etkisi yoktu (p> 0.34), ancak jiroskop verilerini içeren bradikinezi modelleri diğer modellere göre biraz daha iyi (0.05 AUROC'ye kadar) gerçekleştirildi (p = 0.01). İkinci olarak, örnekleme frekansı ile model performansı azaldı (p 0.47). Son olarak, her iki semptom için model performansı, özellik setini önemli ölçüde azalttıktan sonra sürdürüldü.Sonuçlar Bulgularımız, PD semptom tespitinde performansı korurken, vücut-yıkılan sensörlerden ölçüm özelliklerini basitleştirme yeteneğini göstermektedir. Model performansı ve veri çözünürlüğü arasındaki takası anlamak, verimli, doğru giyilebilir algılama sistemleri tasarlamak için çok önemlidir. Bu yaklaşım, giyilebilir cihazlardaki hesaplama yükünü azaltarak PD semptomlarının uzun vadeli, sürekli ve gerçek zamanlı izlenmesinin fizibilitesini artırabilir.
Özgün kaynak özetini okuyun
BackgroundParkinson's disease (PD) is a progressive neurological disease, with characteristic motor symptoms such as tremor and bradykinesia. There is a growing interest to continuously monitor these and other symptoms through body-worn sensor technology. However, limited battery life and memory capacity hinder the potential for continuous, long-term monitoring with these devices. There is little information available on the relative value of adding sensors, increasing sampling rate, or computing complex signal features, all of which may improve accuracy of symptom detection at the expense of computational resources. Here we build on a previous study to investigate the relationship between data measurement characteristics and accuracy when using wearable sensor data to classify tremor and bradykinesia in patients with PD.MethodsThirteen individuals with PD wore a flexible, skin-mounted sensor (collecting tri-axial accelerometer and gyroscope data) and a commercial smart watch (collecting tri-axial accelerometer data) on their predominantly affected hand. The participants performed a series of standardized motor tasks, during which a clinician scored the severity of tremor and bradykinesia in that limb. Machine learning models were trained on scored data to classify tremor and bradykinesia. Model performance was compared when using different types of sensors (accelerometer and/or gyroscope), different data sampling rates (up to 62.5 Hz), and different categories of pre-engineered features (up to 148 features). Performance was also compared between the flexible sensor and smart watch for each analysis.ResultsFirst, there was no effect of device type for classifying tremor symptoms (p > 0.34), but bradykinesia models incorporating gyroscope data performed slightly better (up to 0.05 AUROC) than other models (p = 0.01). Second, model performance decreased with sampling frequency (p 0.47). Finally, model performance for both symptoms was maintained after substantially reducing the feature set.ConclusionsOur findings demonstrate the ability to simplify measurement characteristics from body-worn sensors while maintaining performance in PD symptom detection. Understanding the trade-off between model performance and data resolution is crucial to design efficient, accurate wearable sensing systems. This approach may improve the feasibility of long-term, continuous, and real-time monitoring of PD symptoms by reducing computational burden on wearable devices.
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.