NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Gait'in dondurulması (FoG), çoğunlukla Parkinson Hastalığı'nın (PD) son aşamalarında ortaya çıkan bir hareket bozukluğudur. PD hastasının niyetine rağmen yürüme yetersizliğine neden olur, bu da düşme ve yaralanma riskini artıran ve PD hastasının yaşam kalitesini ciddi şekilde etkileyen koordinasyon kaybına neden olur. Stres, duygusal uyaran ve çoklu görevle FoG bölümlerinin ortaya çıkmasıyla ilişkili olarak karşılaşılırken, hastanın işlevselliği ve kendine güveni sürekli olarak bozulmaktadır. Bu çalışma, ataletsel ölçüm birimi (IMU) verilerini analiz ederek FoG bölümlerini tespit etmek için invaziv olmayan bir yöntem önermektedir. Özellikle, sürekli yürüyüş sırasında tek bilek-yıpranmış IMU sensöründen yakalanan 11 PD denekten ivmeölçer ve jiroskop verileri, FoG olaylarının pencere tabanlı tespiti için Derin Öğrenme yoluyla işlenir. Önerilen yaklaşım, yani DeepFoG, her bir veri penceresinde bir FoG bölümünün varlığını doğru bir şekilde tahmin etme yeteneğine karşı bir Leave-One-Subject-Out (LOSO) çapraz doğrulaması (CV) ve 10 kat CV moda şemalarında değerlendirildi. Deneysel sonuçlar, DeepFoG'un sırasıyla LOSO CV ve 10 kat CV şemaları için %83/88 ve %86/90 hassasiyet / özgüllük elde ettiği için tatmin edici bir şekilde performans gösterdiğini göstermiştir. Önerilen DeepFoG'un umut verici performansı, ritmik işitsel uyarım (RAS) ve el titreşimi gibi uyaranlar aracılığıyla etkili müdahalelere rehberlik edebilecek tek kollu IMU tabanlı gerçek zamanlı FoG algılama potansiyelini ortaya koymaktadır. Bu şekilde DeepFoG, PD hastalarında düşme riskinin ortadan kaldırılmasını sağlayarak günlük yaşam aktivitelerinde yaşam kalitesini koruyabilir.
Özgün kaynak özetini okuyun
Freezing of Gait (FoG) is a movement disorder that mostly appears in the late stages of Parkinson's Disease (PD). It causes incapability of walking, despite the PD patient's intention, resulting in loss of coordination that increases the risk of falls and injuries and severely affects the PD patient's quality of life. Stress, emotional stimulus, and multitasking have been encountered to be associated with the appearance of FoG episodes, while the patient's functionality and self-confidence are constantly deteriorating. This study suggests a non-invasive method for detecting FoG episodes, by analyzing inertial measurement unit (IMU) data. Specifically, accelerometer and gyroscope data from 11 PD subjects, as captured from a single wrist-worn IMU sensor during continuous walking, are processed via Deep Learning for window-based detection of the FoG events. The proposed approach, namely DeepFoG, was evaluated in a Leave-One-Subject-Out (LOSO) cross-validation (CV) and 10-fold CV fashion schemes against its ability to correctly estimate the existence or not of a FoG episode at each data window. Experimental results have shown that DeepFoG performs satisfactorily, as it achieves 83%/88% and 86%/90% sensitivity/specificity, for LOSO CV and 10-fold CV schemes, respectively. The promising performance of the proposed DeepFoG reveals the potentiality of single-arm IMU-based real-time FoG detection that could guide effective interventions via stimuli, such as rhythmic auditory stimulation (RAS) and hand vibration. In this way, DeepFoG may scaffold the elimination of risk of falls in PD patients, sustaining their quality of life in everyday living 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.