NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Gait'in Dondurulması (FOG), Parkinson hastalığının en etkisiz motor komplikasyonlarından biridir ve yürüme niyetine rağmen ileri doğru hareket edememe epizodik bir yetersizlikten oluşur. FOG düşme riskini artırır ve hastaların ve bakıcılarının yaşam kalitesini azaltır. Bu fenomeni ayakta tedavi ziyaretleri sırasında takdir etmek zordur; bu nedenle, otomatik olarak tanınması büyük klinik öneme sahiptir. Vücutta birçok sensör ve farklı yerler önerilmiştir. Bununla birlikte, çok sensörlü bir konfigürasyonun tek sensörlü bir konfigürasyona göre avantajları net değildir, oysa bu ikincisi denetimsiz bir ortamda kullanılması tavsiye edilir.MetodlarBu çalışmada, FOG ve FOG olmayan dönemler arasında farklı sınıflandırmalar yapmak için çok modlu bir veri seti ve makine öğrenme algoritmaları kullandık. Dahası, atalet sensörleri, elektroensefalogram ve cilt iletkenliğinden çıkarılan zaman ve frekans alanlarındaki özelliklerin alaka düzeyini araştırdık. Farklı sensör alt kümeleri göz önünde bulundurularak hem özneden bağımsız hem de özneden bağımsız bir algoritma geliştirdik.SonuçlarKonudan bağımsız ve özneden bağımsız algoritmalar, sırasıyla, bir özneden çıkma ve bırakma-bir-görev-çıkış testinde %85 ve %88'lik bir birikim sağladı. Sonuçlar, alt uzuv üzerinde konumlandırılmış atalet sensörlerinin genellikle FOG'yu tanımada en önemli olduğunu göstermektedir. Dahası, optimal çok modlu konfigürasyon yerine tek bir tibial ivmeölçer kullanıldığında yaşanan performans bozukluğu% 2-3 ile sınırlıdır.Sonuçlar Elde edilen sonuçlar, tek bir atalet sensöründen yapılmış minimal invaziv bir kurulum kullanarak iyi bir FOG tanıma alma olasılığını açıklar. Bu, günlük yaşam aktiviteleri sırasında hastaların evlerinde uzun süreli bir izleme uygulaması perspektifinde çok önemlidir.
Özgün kaynak özetini okuyun
BackgroundFreezing of Gait (FOG) is one of the most disabling motor complications of Parkinson's disease, and consists of an episodic inability to move forward, despite the intention to walk. FOG increases the risk of falls and reduces the quality of life of patients and their caregivers. The phenomenon is difficult to appreciate during outpatients visits; hence, its automatic recognition is of great clinical importance. Many types of sensors and different locations on the body have been proposed. However, the advantages of a multi-sensor configuration with respect to a single-sensor one are not clear, whereas this latter would be advisable for use in a non-supervised environment.MethodsIn this study, we used a multi-modal dataset and machine learning algorithms to perform different classifications between FOG and non-FOG periods. Moreover, we explored the relevance of features in the time and frequency domains extracted from inertial sensors, electroencephalogram and skin conductance. We developed both a subject-independent and a subject-dependent algorithm, considering different sensor subsets.ResultsThe subject-independent and subject-dependent algorithms yielded accuracies of 85% and 88% in the leave-one-subject-out and leave-one-task-out test, respectively. Results suggest that the inertial sensors positioned on the lower limb are generally the most significant in recognizing FOG. Moreover, the performance impairment experienced when using a single tibial accelerometer instead of the optimal multi-modal configuration is limited to 2-3%.ConclusionsThe achieved results disclose the possibility of getting a good FOG recognition using a minimally invasive set-up made of a single inertial sensor. This is very significant in the perspective of implementing a long-term monitoring of patients in their homes, during activities of daily living.
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.