Gait Disorder Detection and Classification Method Using Inertia Measurement Unit for Augmented Feedback Training in Wearable Devices.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığı (PD) yaygın bir nörodejeneratif hastalıktır, belirtilerinden biri yürüyüş bozukluğudur, bu da yürüyüş hızını ve kadansını azaltır. Son zamanlarda, artırılmış geri besleme eğitiminin etkili bir fiziksel rehabilitasyon elde ettiği düşünülmektedir. Bu nedenle, artırılmış geri besleme eğitimini aktif olarak kullanan yürüyüş algılama ve sınıflandırma (GDC) için sayısal bir modelleme süreci ve algoritması geliştirdik. Sayısal model, her bir ortak açıyı bir ivme (MoA) ve bir Z ekseni açısal hız (ZAV) parametresine dönüştürdü. Daha sonra, hem GDC sayısal modellemenin hem de algoritmanın geçerliliğini doğruladık. Sonuç olarak, daha yüksek bir yürüyüş algılama ve sınıflandırma oranı (GDCR) daha yüksek bir yürüyüş hızı ve daha düşük ivme eşiği (AT) ve jiroskopik eşik (GT) gözlenebilir. Bununla birlikte, GDCR'nin deseni, hastanın normal bir kullanıcıya kıyasla bir yürüyüş bozukluğundan etkilenip etkilenmediği belirsizdi. GDCR, AT, GT ve yürüyüş hızı arasındaki ilişkileri kullanmak için, makul bir metodoloji olarak bulduğumuz AT ve GT'yi girdi olarak kullanarak GDCR'yi kontrol ettik. Dahası, GDC algoritması normal insanlar ve yürüyüş bozukluklarından muzdarip insanlar arasında ayrım yapabilir. Sonuç olarak, GDC yöntemi rehabilitasyon ve yürüyüş değerlendirmesi için kullanılabilir.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a common neurodegenerative disease, one of the symptoms of which is a gait disorder, which decreases gait speed and cadence. Recently, augmented feedback training has been considered to achieve effective physical rehabilitation. Therefore, we have devised a numerical modeling process and algorithm for gait detection and classification (GDC) that actively utilizes augmented feedback training. The numerical model converted each joint angle into a magnitude of acceleration (MoA) and a Z-axis angular velocity (ZAV) parameter. Subsequently, we confirmed the validity of both the GDC numerical modeling and algorithm. As a result, a higher gait detection and classification rate (GDCR) could be observed at a higher gait speed and lower acceleration threshold (AT) and gyroscopic threshold (GT). However, the pattern of the GDCR was ambiguous if the patient was affected by a gait disorder compared to a normal user. To utilize the relationships between the GDCR, AT, GT, and gait speed, we controlled the GDCR by using AT and GT as inputs, which we found to be a reasonable methodology. Moreover, the GDC algorithm could distinguish between normal people and people who suffered from gait disorders. Consequently, the GDC method could be used for rehabilitation and gait evaluation.

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.