NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının (PD) teşhisi ve ciddiyet düzeyinin derecelendirilmesine yönelik geleneksel yaklaşımlar, tıbbi uzmanların öznel ve yanlış olabilecek semptomların klinik değerlendirmesine dayanmaktadır. Bu teknikler, özellikle hastalığın ilk aşamalarında çok güvenilir değildir. Bu araştırmada, dikey yer reaksiyon kuvveti (vGRF) sinyallerine dayanan PD ciddiyet seviyesini sınıflandırmak için derin öğrenme yaklaşımları kullanan bir yeni algılama ve şiddet sınıflandırma algoritması geliştirilmiştir. PD hastalarının yürüyüş anormalliklerinden dolayı vGRF sinyallerindeki düzensizlik tarafından oluşturulan kuvvet kalıplarındaki farklı varyasyonlar ciddiyetlerini gösterebilir. Bu araştırmanın temel amacı, hekimlerin PD'nin erken evrelerini tespit etmelerine, verimli tedavi planlamalarına ve hastalığın ilerlemesini izlemelerine yardımcı olmaktır. Algılama algoritması ön işleme, özellik dönüşümü ve sınıflandırma süreçlerini içerir. Ön işlemede, vGRF sinyali 10, 15 ve 30 ardışık zaman pencerelerine bölünür. Özellik dönüşüm sürecinde, değişen zaman uzunluklarına sahip pencerelerdeki zaman etki alanı vGRF sinyali, sürekli dalgacık dönüşümü (CWT) kullanılarak bir zaman frekansı spektrogramına dönüştürülür. Daha sonra, ana bileşen analizi (PCA) özellik geliştirme için kullanılır. Son olarak, farklı türdeki evrişimsel sinir ağları (CNN'ler) sınıflandırma için derin öğrenme sınıflandırıcıları olarak kullanılır. Algoritma performansı k-fold çapraz doğrulama (kfoldCV) kullanılarak değerlendirildi. PD ciddiyet aşaması sınıflandırmasında önerilen tespit algoritmasının en iyi ortalama doğruluğu, PhysioNet veritabanından vGRF verileriyle ResNet-50 kullanılarak %96,52 idi. Önerilen tespit algoritması, farklı PD ciddiyet seviyeleri ile ilişkili vGRF sinyallerinin zaman frekanslı spektrogramlarına dayanarak yürüyüş modellerini etkili bir şekilde ayırt edebilir.
Özgün kaynak özetini okuyun
Conventional approaches to diagnosing Parkinson's disease (PD) and rating its severity level are based on medical specialists' clinical assessment of symptoms, which are subjective and can be inaccurate. These techniques are not very reliable, particularly in the early stages of the disease. A novel detection and severity classification algorithm using deep learning approaches was developed in this research to classify the PD severity level based on vertical ground reaction force (vGRF) signals. Different variations in force patterns generated by the irregularity in vGRF signals due to the gait abnormalities of PD patients can indicate their severity. The main purpose of this research is to aid physicians in detecting early stages of PD, planning efficient treatment, and monitoring disease progression. The detection algorithm comprises preprocessing, feature transformation, and classification processes. In preprocessing, the vGRF signal is divided into 10, 15, and 30 s successive time windows. In the feature transformation process, the time domain vGRF signal in windows with varying time lengths is modified into a time-frequency spectrogram using a continuous wavelet transform (CWT). Then, principal component analysis (PCA) is used for feature enhancement. Finally, different types of convolutional neural networks (CNNs) are employed as deep learning classifiers for classification. The algorithm performance was evaluated using k-fold cross-validation (kfoldCV). The best average accuracy of the proposed detection algorithm in classifying the PD severity stage classification was 96.52% using ResNet-50 with vGRF data from the PhysioNet database. The proposed detection algorithm can effectively differentiate gait patterns based on time-frequency spectrograms of vGRF signals associated with different PD severity levels.
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.