NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FOG), orta ve geç evre Parkinson hastalığında (PD) ortaya çıkan ve düşmeye ve yaralanmaya yol açabilen ani ve son derece yıkıcı bir yürüyüş disfonksiyonudur. Oluşmadan önce donmayı öngören veya başlangıcından hemen sonra donmayı tespit eden bir sistem, FOG önleme veya hafifletme için bir fırsat yaratır ve böylece güvenli hareketliliği ve yaşam kalitesini arttırır. Bu araştırma, FOG'lu 11 kişiden toplanan yürüyüş verilerinden 861 özellik çıkarmak için ivmeölçer, jiroskop ve plantar basınç sensörleri kullandı. Azami fazlalık maksimum alaka düzeyi ve Relief-F özellik seçimi, eğitimden önce karar ağaçlarının topluluklarını güçlendirdi. İkili sınıflandırma modelleri, Total-FOG veya No FOG durumlarını tanımladı; Total-FOG sınıfı, FOG başlangıcından FOG bölümünün sonuna kadar 2 s'den veri pencerelerini içeriyordu. Üç özellik seti karşılaştırıldı: plantar basıncı, atalet ölçüm ünitesi (IMU) ve hem plantar basıncı hem de IMU özellikleri. Plantar-pressure-only modeli en büyük hassasiyete sahipti ve IMU-only modeli en büyük özgüllüğe sahipti. En iyi genel model, plantar basıncı ve IMU özelliklerinin birleşimini kullanarak %76,4 hassasiyet ve %86,2 özgüllük elde etti. Daha sonra, Total-FOG sınıfı bileşenler ayrı ayrı değerlendirildi (yani, Ön-FOG pencereleri, Dondurucu pencereler, Ön-FOG ve Dondurucu arasındaki geçiş pencereleri). En iyi model, hem ön-FOG hem de FOG verilerini içeren,% 85.2 hassasiyete sahip pencereler tespit etti, bu da donma başladıktan sonra FOG'nun 1 s'den daha az tespit edilmesine eşdeğerdir. FOG verilerinin Windows'u %93,4 hassasiyetle tespit edildi. IMU ve plantar basınç özelliği tabanlı model, tek bir sensör tipinden gelen verileri kullanan modellerden biraz daha iyi performans gösterdi. Model, Pre-FOG'dan FOG'a geçişi tespit ederek erken tespite ulaştı ve mükemmel FOG algılama performansını korurken (%93.4 hassasiyet). Bu nedenle, akıllı, gerçek zamanlı FOG tanımlama ve işaretleme sisteminin bir parçası olarak kullanılırsa, Ön-FOG durumu kaçırılsa bile, model, günlük faaliyetleri sırasında PD'li kişilerin hareketliliğini ve bağımsızlığını artırabilecek bir donma algılama ve işaretleme sistemi olarak iyi performans gösterecektir.
Özgün kaynak özetini okuyun
Freezing of gait (FOG) is a sudden and highly disruptive gait dysfunction that appears in mid to late-stage Parkinson's disease (PD) and can lead to falling and injury. A system that predicts freezing before it occurs or detects freezing immediately after onset would generate an opportunity for FOG prevention or mitigation and thus enhance safe mobility and quality of life. This research used accelerometer, gyroscope, and plantar pressure sensors to extract 861 features from walking data collected from 11 people with FOG. Minimum-redundancy maximum-relevance and Relief-F feature selection were performed prior to training boosted ensembles of decision trees. The binary classification models identified Total-FOG or No FOG states, wherein the Total-FOG class included data windows from 2 s before the FOG onset until the end of the FOG episode. Three feature sets were compared: plantar pressure, inertial measurement unit (IMU), and both plantar pressure and IMU features. The plantar-pressure-only model had the greatest sensitivity and the IMU-only model had the greatest specificity. The best overall model used the combination of plantar pressure and IMU features, achieving 76.4% sensitivity and 86.2% specificity. Next, the Total-FOG class components were evaluated individually (i.e., Pre-FOG windows, Freeze windows, transition windows between Pre-FOG and Freeze). The best model detected windows that contained both Pre-FOG and FOG data with 85.2% sensitivity, which is equivalent to detecting FOG less than 1 s after the freeze began. Windows of FOG data were detected with 93.4% sensitivity. The IMU and plantar pressure feature-based model slightly outperformed models that used data from a single sensor type. The model achieved early detection by identifying the transition from Pre-FOG to FOG while maintaining excellent FOG detection performance (93.4% sensitivity). Therefore, if used as part of an intelligent, real-time FOG identification and cueing system, even if the Pre-FOG state were missed, the model would perform well as a freeze detection and cueing system that could improve the mobility and independence of people with PD during their daily activities.
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.