NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Günlük yaşamda pasif izleme, gün boyunca bir kişinin sağlığı hakkında değerli bilgiler sağlayabilir. Giyilebilir sensör cihazları, bu tür izlemenin engelleyici olmayan bir şekilde etkinleştirilmesinde önemli bir rol oynar. Bununla birlikte, günlük hayatta toplanan sensör verileri birden fazla sağlık ve davranışla ilgili faktörleri birlikte yansıtır. Bu, klinik tanı ve tedaviyi desteklemek için kullanılabilecek güvenilir ve yorumlanabilir tahminler üretmek için yapılandırılmış bir ilkesel analize ihtiyaç duyar. Bu çalışmada, serbest yaşayan yürüyüş (yürüyüş) analizi için ilkeli bir modelleme yaklaşımı geliştiriyoruz. Gait, Parkinson hastalığı (PD) gibi birçok farklı hareket bozukluğunun yaygın ve göstergesi olduğu için göze çarpmayan izleme için umut verici bir hedeftir, ancak analizi büyük ölçüde deneysel olarak kontrol edilen laboratuvar ayarlarıyla sınırlıdır. Sabit yürüyüş segmentlerini ivmeölçer kullanarak serbest yaşam içinde bulmak ve karakterize etmek için, sinyalleri farklı yürüyüş ve eşcinsel olmayan kalıplara bölmek için tasarlanmış denetimsiz bir olasılıksal çerçeve sunuyoruz. Bu yaklaşımı, motor dalgalanmaları olan 25 PD hastası ve 25 yaş uyumlu kontroller içeren yeni bir video referanslı veri seti kullanarak değerlendirerek, kendi evlerinde ve çevresinde el yazması olmayan günlük yaşam aktiviteleri gerçekleştiriyoruz. Bu veri setini kullanarak, çerçevenin yürüyüşü tespit etme ve serbest yaşayan yürüyüşlere dayanan PD hastalarında ilaç kaynaklı dalgalanmaları tahmin etme yeteneğini gösteriyoruz. Yaklaşımımızın bilek, ayak bileği, pantolon cebi ve alt sırt dahil olmak üzere değişen sensör konumlarına sağlam olduğunu gösteriyoruz.
Özgün kaynak özetini okuyun
Passive monitoring in daily life may provide valuable insights into a person's health throughout the day. Wearable sensor devices play a key role in enabling such monitoring in a non-obtrusive fashion. However, sensor data collected in daily life reflect multiple health and behavior-related factors together. This creates the need for a structured principled analysis to produce reliable and interpretable predictions that can be used to support clinical diagnosis and treatment. In this work we develop a principled modelling approach for free-living gait (walking) analysis. Gait is a promising target for non-obtrusive monitoring because it is common and indicative of many different movement disorders such as Parkinson's disease (PD), yet its analysis has largely been limited to experimentally controlled lab settings. To locate and characterize stationary gait segments in free-living using accelerometers, we present an unsupervised probabilistic framework designed to segment signals into differing gait and non-gait patterns. We evaluate the approach using a new video-referenced dataset including 25 PD patients with motor fluctuations and 25 age-matched controls, performing unscripted daily living activities in and around their own houses. Using this dataset, we demonstrate the framework's ability to detect gait and predict medication induced fluctuations in PD patients based on free-living gait. We show that our approach is robust to varying sensor locations, including the wrist, ankle, trouser pocket and lower back.
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.