NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), motor sistemin distrofisini indükleyen bir nörodejeneratif hastalıktır. Otomatik hareket analiz sistemleri, kişiselleştirilmiş ve tedavinin daha doğru ayarlanmasını sağlayarak hasta bakımını iyileştirme potansiyeline sahiptir. Bu sistemler, sinyallerden türetilen özelliklere dayanarak hareket özelliklerini sınıflandırmak için makine öğrenmesini kullanır. Akıllı telefonlar, hareket değerlendirmesi için yerleşik sensörleri ile ucuz bir ölçüm platformu sağlayabilir. Bu çalışma, 20 adımlı bir yürüme testi sırasında bir akıllı telefonla ölçülen ivmeölçer ve jiroskop sinyallerine dayanan kontrol deneklerinden PD hastalarını tanımlamak için üç özellik seçimi ve dokuz sınıflandırma yöntemini karşılaştırdı. Bu çalışmada, hem ileri (SFS) hem de geri (SBS) yayılma yönleriyle minimum Yedek Maksimum Alaka (mRMR) ve ardışık özellik seçimi kullanılmıştır. Seçilen özelliklerin sayısı, SFS ve mRMR yöntemleri uygulanarak 201'den 4-15'e düşürüldü. Bu çalışmada karşılaştırılan yöntemlerden, SFS (7 özellik) ve Naive Bayes sınıflandırıcısı (doğruluk %75,3) ve SFS (4 özellik) ve k En Yakın komşuları (doğruluk %75,1) ile bireysel adımlar için en yüksek doğruluk elde edildi. Analizde tek subjektörlü çapraz doğrulama kullanıldı. Gizli adımların çoğunluk oyuyla yapılan her bir konunun genel sınıflandırması için, k En yakın komşular %84.5 doğruluk ve %15,5 hata oranı ile en doğru sonucu verdi. Bu çalışma, özellik seçimi yöntemleri ve sınıflandırıcılardaki farklılıkları gösterir ve PD hastalarının akıllı telefon tabanlı izlenmesi için metodolojileri optimize etmek için genellemeler sağlar. Sonuçlar, serbest yaşam koşullarında gerçekleştirilen daha uzun ölçümler için analiz sistemini daha da geliştirmek için umut vadediyor.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative disease inducing dystrophy of the motor system. Automatic movement analysis systems have potential in improving patient care by enabling personalized and more accurate adjust of treatment. These systems utilize machine learning to classify the movement properties based on the features derived from the signals. Smartphones can provide an inexpensive measurement platform with their built-in sensors for movement assessment. This study compared three feature selection and nine classification methods for identifying PD patients from control subjects based on accelerometer and gyroscope signals measured with a smartphone during a 20-step walking test. Minimum Redundancy Maximum Relevance (mRMR) and sequential feature selection with both forward (SFS) and backward (SBS) propagation directions were used in this study. The number of selected features was narrowed down from 201 to 4-15 features by applying SFS and mRMR methods. From the methods compared in this study, the highest accuracy for individual steps was achieved with SFS (7 features) and Naive Bayes classifier (accuracy 75.3%), and the second highest accuracy with SFS (4 features) and k Nearest neighbours (accuracy 75.1%). Leave-one-subject-out cross-validation was used in the analysis. For the overall classification of each subject, which was based on the majority vote of the classified steps, k Nearest Neighbors provided the most accurate result with an accuracy of 84.5% and an error rate of 15.5%. This study shows the differences in feature selection methods and classifiers and provides generalizations for optimizing methodologies for smartphone-based monitoring of PD patients. The results are promising for further developing the analysis system for longer measurements carried out in free-living conditions.
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.