NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FOG), Parkinson hastalığı (PD) olan kişilerin yaşadığı aralıklı bir yürüyüş bozukluğudur. Giyilebilir FOG tanımlama sistemleri, FOG'u gerçek zamanlı olarak tespit ederek ve donma süresini azaltmak için bir ipucu sağlayarak yürüyüş kalitesini artırabilir ve FOG nedeniyle düşme riskini azaltabilir. Bununla birlikte, FOG tahmin ve önlemesi arzu edilir. Makine öğrenme modellerini eğitmek için kullanılan veri kümeleri genellikle belirli alt uzuv hareketlerinin görsel gözlemine (olay tabanlı tanım) veya etkili bir şekilde yürüyememesine (yürüyüş bozulması temelli tanım dönemi) dayanan zemin gerçeği FOG etiketleri üretir. FOG tanımı belirsizliği, özellikle hızlı art arda birden fazla FOG ile ilgili olarak model performansını etkileyebilir. Bu araştırma, hızlı art arda meydana gelen çoklu donmaların birleştirilmesinin FOG tespitini ve tahmin modeli performansını geliştirip geliştiremeyeceğini inceledi. Plantar basınç ve alt uzuv hızlandırma verileri, bir özellik seti çıkarmak ve karar ağacı topluluklarını eğitmek için kullanıldı. FOG, olay tabanlı bir tanım kullanılarak etiketlendi. Daha sonra hızlı bir şekilde art arda gerçekleşen FOG'un birleştirilmesiyle ek veri kümeleri üretildi. Birleştirme eşiği, birleştirme eşiğinden daha azıyla ayrılan FOG'nun bir bölüm halinde birleştiği bir birleştirme eşiği tanıtıldı. FOG algılama ve tahmin modelleri 0, 1, 2 ve 3 s'lik eşikleri birleştirmek için eğitildi. Biraz geliştirilmiş FOG algılama modeli performansını birleştirmek; Ancak, tahmin modeli için, birleştirme biraz daha sonra FOG tanımlaması ve daha düşük hassasiyetle sonuçlandı. FOG tahmin modelleri, olay tabanlı FOG tanımlarını kullanmaktan ve hızlı bir şekilde art arda birden fazla FOG'yu birleştirmekten kaçınmaktan yararlanabilir.
Özgün kaynak özetini okuyun
Freezing of gait (FOG) is an intermittent walking disturbance experienced by people with Parkinson's disease (PD). Wearable FOG identification systems can improve gait and reduce the risk of falling due to FOG by detecting FOG in real-time and providing a cue to reduce freeze duration. However, FOG prediction and prevention is desirable. Datasets used to train machine learning models often generate ground truth FOG labels based on visual observation of specific lower limb movements (event-based definition) or an overall inability to walk effectively (period of gait disruption based definition). FOG definition ambiguity may affect model performance, especially with respect to multiple FOG in rapid succession. This research examined whether merging multiple freezes that occurred in rapid succession could improve FOG detection and prediction model performance. Plantar pressure and lower limb acceleration data were used to extract a feature set and train decision tree ensembles. FOG was labeled using an event-based definition. Additional datasets were then produced by merging FOG that occurred in rapid succession. A merging threshold was introduced where FOG that were separated by less than the merging threshold were merged into one episode. FOG detection and prediction models were trained for merging thresholds of 0, 1, 2, and 3 s. Merging slightly improved FOG detection model performance; however, for the prediction model, merging resulted in slightly later FOG identification and lower precision. FOG prediction models may benefit from using event-based FOG definitions and avoiding merging multiple FOG in rapid succession.
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.