Development of a Neurodegenerative Disease Gait Classification Algorithm Using Multiscale Sample Entropy and Machine Learning Classifiers.

Araştırma özeti

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

Nörodejeneratif hastalıkların (NDD) yaygınlığı son yıllarda hızla büyüdü ve NDD taraması çok dikkat çekiyor. NDD, yürüyüş anormalliklerine neden olabilir, böylece yürüyüş sinyalini kullanarak NDD'yi taramak mümkündür. Bu çalışmanın araştırma amacı, çok ölçekli örnek entropi (MSE) ve makine öğrenme modelleri kullanılarak yürüyüş kuvveti (GF) yoluyla bir NDD sınıflandırma algoritması geliştirmektir. Fizynet NDD yürüyüş veritabanı önerilen algoritmayı doğrulamak için kullanılır. Önerilen algoritmanın ön işleme aşamasında, GF'de bir ve iki kez diferansiyel alınarak yeni sinyaller üretildi ve çeşitli zaman pencerelerine (10/20/30/60-sn) bölündü. Özellik çıkarmada, istatistiksel ve MSE değerlerini hesaplamak için GF sinyali kullanılır. Fizynet NDD yürüyüş veritabanının dengesiz doğası nedeniyle, sentetik azınlık örnekleme tekniği (SMOTE) her sınıfın verilerini yeniden dengelemek için kullanıldı. Destek vektör makinesi (SVM) ve k-en yakın komşular (KNN) sınıflandırıcı olarak kullanıldı. Sağlıklı kontroller (HC) vs. için en iyi sınıflandırma accuracies. Parkinson hastalığı (PD), HC vs. Huntington hastalığı (HD), HC ve amyotrofik lateral skleroz (ALS), PD vs. HD, PD vs. ALS, HD vs. ALS, HC vs. PD vs. HD vs. ALS, KNN ile 10 saniyelik zaman penceresi altında %99.90, %99.80, %100, %99.75, %99.90, %99.55 ve %99.68 idi. Bu çalışma, MSE ve makine öğrenme sınıflandırıcılarına dayanan bir NDD yürüyüş sınıflandırmasını başarıyla geliştirdi.

Özgün kaynak özetini okuyun

The prevalence of neurodegenerative diseases (NDD) has grown rapidly in recent years and NDD screening receives much attention. NDD could cause gait abnormalities so that to screen NDD using gait signal is feasible. The research aim of this study is to develop an NDD classification algorithm via gait force (GF) using multiscale sample entropy (MSE) and machine learning models. The Physionet NDD gait database is utilized to validate the proposed algorithm. In the preprocessing stage of the proposed algorithm, new signals were generated by taking one and two times of differential on GF and are divided into various time windows (10/20/30/60-sec). In feature extraction, the GF signal is used to calculate statistical and MSE values. Owing to the imbalanced nature of the Physionet NDD gait database, the synthetic minority oversampling technique (SMOTE) was used to rebalance data of each class. Support vector machine (SVM) and k-nearest neighbors (KNN) were used as the classifiers. The best classification accuracies for the healthy controls (HC) vs. Parkinson's disease (PD), HC vs. Huntington's disease (HD), HC vs. amyotrophic lateral sclerosis (ALS), PD vs. HD, PD vs. ALS, HD vs. ALS, HC vs. PD vs. HD vs. ALS, were 99.90%, 99.80%, 100%, 99.75%, 99.90%, 99.55%, and 99.68% under 10-sec time window with KNN. This study successfully developed an NDD gait classification based on MSE and machine learning classifiers.

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.