NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD), dünya çapında milyonlarca insanı etkileyen yaygın bir nörodejeneratif hastalıktır. Klinik tedavilerde, PD hastalarının durumunu değerlendirmek için tipik semptom olarak yürüyüş (FoG) donması kullanılır. Şu anda, FoG değerlendirmesi genellikle doktorlar tarafından canlı gözlem veya video analizi yoluyla gerçekleştirilir. Yaşlanan toplumlar göz önüne alındığında, böyle bir manuel denetime dayalı yaklaşım sağlık sistemleri üzerinde ciddi yüklere neden olabilir. Bu çalışmada, en ayırt edilemez FoG türü olan karıştırma adımını otomatik olarak tespit etmek için saf bir video tabanlı yöntem önermekteyiz. İlk olarak, sadece bacakları ve ayakları içeren RGB siluetleri, çok seviyeli özellikler elde etmek için özellik çıkarma modülüne beslenir. 3D konvolüsyonlar hem zamansal hem de mekansal bilgileri bir araya getirmek için kullanılır. Ardından çok seviyeli özellikler özellik füzyonu ile birleştirilir. Skip bağlantıları, yüksek çözünürlüklü ve dönemsel yatay piramit havuzlama bilgilerini korumak için uygulanır ve hem küresel bağlamı hem de yerel özellikleri kaynaştırmak için kullanılır. Yöntemimizin etkinliğini doğrulamak için, 268 normal yürüyüş örneği ve 362 karıştırma adım örneği içeren bir veri kümesi inşa edilir, bu da yöntemimizin ortalama algılama doğruluğuna% 90.8 ulaşır. Basamak algılamayı karıştırmanın yanı sıra, yöntemimizin yürümenin ciddiyetini de değerlendirebileceğini gösteriyoruz. Önerimiz, FoG'nin daha az insan gücü ve daha düşük maliyetle daha sık değerlendirilmesini kolaylaştırarak, hastaların durumunun daha doğru izlenmesine yol açar.
Özgün kaynak özetini okuyun
Parkinson's Disease (PD) is a common neurodegenerative disease which impacts millions of people around the world. In clinical treatments, freezing of gait (FoG) is used as the typical symptom to assess PD patients' condition. Currently, the assessment of FoG is usually performed through live observation or video analysis by doctors. Considering the aging societies, such a manual inspection based approach may cause serious burdens on the healthcare systems. In this study, we propose a pure video-based method to automatically detect the shuffling step, which is the most indistinguishable type of FoG. Firstly, the RGB silhouettes which only contain legs and feet are fed into the feature extraction module to obtain multi-level features. 3D convolutions are used to aggregate both temporal and spatial information. Then the multi-level features are aggregated by the feature fusion. Skip connections are implemented to reserve information of high resolution and period-wise horizontal pyramid pooling is utilized to fuse both global context and local features. To validate the efficacy of our method, a dataset containing 268 normal gait samples and 362 shuffling step samples is built, on which our method achieves an average detection accuracy of 90.8%. Besides shuffling step detection, we demonstrate that our method can also assess the severity of walking abnormity. Our proposal facilitates a more frequent assessment of FoG with less manpower and lower cost, leading to more accurate monitoring of the patients' condition.
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.