NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planGit donması (FOG), artan düşme riski ve yaşam kalitesinin azalması ile ilişkili ileri evre Parkinson hastalığında (PD) yürüyen bir rahatsızlıktır. Dondurucu bölümler, FOG tahmin ve algılama sistemleri tarafından etkinleştirilen görsel veya işitsel ipuçları gibi dış müdahale ile hafifletilebilir veya önlenebilir. FOG tespiti ve tahmini ile ilgili çoğu araştırma ataletsel ölçüm birimi (IMU) ve ivmeölçer verilerine dayanmakla birlikte, plantar-basınç verileri FOG bölümlerine özgü ince ağırlık kaymalarını yakalayabilir. FOG tespiti ve tahmini için farklı makine öğrenme algoritmaları kullanılmıştır; ancak, uzun kısa süreli bellek (LSTM) derin öğrenme yöntemleri, sensör verileri gibi zaman serisi verileriyle uğraşırken bir avantaja sahiptir. Bu araştırma, LSTM'nin sadece plantar basınç verilerinden FOG'yu tespit etmek ve tahmin etmek için kullanılabileceğini, özellikle gerçek zamanlı giyilebilir bir sistemde kullanılmak üzere kullanılmasını sağlamayı amaçladı. MethodsPlantar basınç verileri, önceden tanımlanmış bir donma provoke edici yoldan yürürken PD'li 11 katılımcı tarafından giyilen basınç algılayıcılı insole sensörlerden toplandı. FOG örnekleri etiketlendi, 16 özellik çıkarıldı ve veri kümesi dengelendi ve normalleştirildi (z-score). Elde edilen veri kümeleri uzun kısa süreli bellek nöral ağ modelleri kullanılarak sınıflandırıldı. Ayrı modeller tespit ve tahmin için eğitildi. Tahmin modelleri için, FOG'dan önceki veriler hedef sınıfa dahil edildi. Model değerlendirmesi için leave-one-frizer-out çapraz doğrulama kullanıldı. Ek olarak, modeller model özgüllüğünü belirlemek için tüm dondurucu olmayan veriler üzerinde test edildi.SonuçlarEn iyi FOG algılama modeli %82.1 (SD %6.2) ortalama hassasiyet ve %89.5 (SD 3.6%) tek-dondurucu-dış çapraz doğrulama için özgüllük anlamına geliyordu. Özgüllük, aktif olmayan durum verilerini (durağan) göz ardı ederken ve modeli yalnızca aktif haller üzerinde analiz ederken (dönüş ve yürüme) %93,3'e (SD 4.0) yükseldi. Model, donma bölümlerinin %95'ini doğru tespit etti. En iyi FOG tahmin yöntemi elde 72.5% (SD %13.6) ortalama duyarlılık ve %81.2 (SD %6.8) tek dondurucu-dış çapraz doğrulama için özgüllük anlamına gelir.Sonuçlar bir laboratuvarda toplanan FOG verilerine dayanarak, FOG algılama ve tahmin için plantar basınç verilerinin kullanılabileceğini göstermektedir. Bununla birlikte, FOG tahmin performansını geliştirmek için daha fazla araştırma yapılması gerekmektedir, buna FOG deneyimi yaşayan daha büyük bir insan örneği ile eğitim de dahildir.
Özgün kaynak özetini okuyun
BackgroundFreezing of gait (FOG) is a walking disturbance in advanced stage Parkinson's disease (PD) that has been associated with increased fall risk and decreased quality of life. Freezing episodes can be mitigated or prevented with external intervention such as visual or auditory cues, activated by FOG prediction and detection systems. While most research on FOG detection and prediction has been based on inertial measurement unit (IMU) and accelerometer data, plantar-pressure data may capture subtle weight shifts unique to FOG episodes. Different machine learning algorithms have been used for FOG detection and prediction; however, long short-term memory (LSTM) deep learning methods hold an advantage when dealing with time-series data, such as sensor data. This research aimed to determine if LSTM can be used to detect and predict FOG from plantar pressure data alone, specifically for use in a real-time wearable system.MethodsPlantar pressure data were collected from pressure-sensing insole sensors worn by 11 participants with PD as they walked a predefined freeze-provoking path. FOG instances were labelled, 16 features were extracted, and the dataset was balanced and normalized (z-score). The resulting datasets were classified using long short-term memory neural-network models. Separate models were trained for detection and prediction. For prediction models, data before FOG were included in the target class. Leave-one-freezer-out cross validation was used for model evaluation. In addition, the models were tested on all non-freezer data to determine model specificity.ResultsThe best FOG detection model had 82.1% (SD 6.2%) mean sensitivity and 89.5% (SD 3.6%) mean specificity for one-freezer-held-out cross validation. Specificity improved to 93.3% (SD 4.0%) when ignoring inactive state data (standing) and analyzing the model only on active states (turning and walking). The model correctly detected 95% of freeze episodes. The best FOG prediction method achieved 72.5% (SD 13.6%) mean sensitivity and 81.2% (SD 6.8%) mean specificity for one-freezer-held-out cross validation.ConclusionsBased on FOG data collected in a laboratory, the results suggest that plantar pressure data can be used for FOG detection and prediction. However, further research is required to improve FOG prediction performance, including training with a larger sample of people who experience FOG.
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.