NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planGit donması (FOG), Parkinson hastalığında yaygın ve zayıflatıcı bir yürüyüş bozukluğudur. Bu fenomen hakkında daha fazla bilgi, FOG'yu objektif olarak değerlendirme zorluğundan dolayı engellenmektedir. Bu klinik ihtiyacı karşılamak için, bu makale yeni bir derin sinir ağı tarafından yönlendirilen otomatik hareket yakalama tabanlı FOG değerlendirme yöntemini önermektedir.MetodlarOtomatik FOG değerlendirmesi, zamansal modellerin FOG segmentlerini untrimmed hareket yakalama denemelerinde tanımak ve geçici olarak lokalize etmek için görevlendirildiği bir eylem segmentasyonu problemi olarak formüle edilebilir. Bu makale, FOG'yu otomatik olarak değerlendirmekle görevlendirildiğinde, son teknoloji aksiyon segmentasyon modellerinin performansına daha yakından bakmaktadır. Dahası, uzaysal ve zamansal bağımlılıkları en son teknolojiye sahip temellerden daha iyi yakalamayı amaçlayan yeni bir derin sinir ağı mimarisi önerilmiştir. Çok aşamalı uzamsal-zamansal grafik konvolutional ağ (MS-GCN) olarak adlandırılan önerilen ağ, uzamsal-zamansal grafik konvolutional ağı (ST-GCN) ve çok aşamalı zamansal konvolutional ağı (MS-TCN) birleştirir. ST-GCN, hareket yakalamanın doğasında bulunan eklemler arasındaki hiyerarşik mekansal-zamansal hareketi yakalarken, çok aşamalı bileşen, tahminleri birden fazla aşamada rafine ederek aşırı segmentasyon hatalarını azaltır. Önerilen model, on dört dondurucu, on dört dondurucu olmayan ve on dört sağlıklı kontrol konusunun bir veri setinde doğrulandı.Sonuçlar Deneyler, önerilen modelin dört son teknoloji ürünü temel çizgiden daha iyi performans gösterdiğini göstermektedir. Dahası, MS-GCN tahminlerinden elde edilen FOG sonuçları mükemmel (r = 0.93 [0.87, 0.97]) ve orta derecede güçlü (r = 0.75 [0.55, 0.87]) manuel açıklamalardan elde edilen FOG sonuçları ile doğrusal ilişkiye sahipti. MS-GCN'nin genelleştirilmesini daha büyük ve daha çeşitli bir doğrulama kohortuna değerlendirmeyi amaçlayan gelecekteki çalışmalar artık mümkün.
Özgün kaynak özetini okuyun
BackgroundFreezing of gait (FOG) is a common and debilitating gait impairment in Parkinson's disease. Further insight into this phenomenon is hampered by the difficulty to objectively assess FOG. To meet this clinical need, this paper proposes an automated motion-capture-based FOG assessment method driven by a novel deep neural network.MethodsAutomated FOG assessment can be formulated as an action segmentation problem, where temporal models are tasked to recognize and temporally localize the FOG segments in untrimmed motion capture trials. This paper takes a closer look at the performance of state-of-the-art action segmentation models when tasked to automatically assess FOG. Furthermore, a novel deep neural network architecture is proposed that aims to better capture the spatial and temporal dependencies than the state-of-the-art baselines. The proposed network, termed multi-stage spatial-temporal graph convolutional network (MS-GCN), combines the spatial-temporal graph convolutional network (ST-GCN) and the multi-stage temporal convolutional network (MS-TCN). The ST-GCN captures the hierarchical spatial-temporal motion among the joints inherent to motion capture, while the multi-stage component reduces over-segmentation errors by refining the predictions over multiple stages. The proposed model was validated on a dataset of fourteen freezers, fourteen non-freezers, and fourteen healthy control subjects.ResultsThe experiments indicate that the proposed model outperforms four state-of-the-art baselines. Moreover, FOG outcomes derived from MS-GCN predictions had an excellent (r = 0.93 [0.87, 0.97]) and moderately strong (r = 0.75 [0.55, 0.87]) linear relationship with FOG outcomes derived from manual annotations.ConclusionsThe proposed MS-GCN may provide an automated and objective alternative to labor-intensive clinician-based FOG assessment. Future work is now possible that aims to assess the generalization of MS-GCN to a larger and more varied verification cohort.
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.