NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Nörolojik durumu olan kişilerde yürüyüş düzenlerini izlemeye artan ilgi vardır. Giyilebilir atalet sensörlerinin demokratikleşmesi, serbest yaşam ortamlarında yürüyüş çalışmalarını sağlamıştır. Kontrolsüz ortamlarda yürüyüş değerlendirmesinin önemli bir yönü, yürüyüş örneklerini doğru bir şekilde tanıma yeteneğidir. Önceki çalışmalar, yürüyüşü tespit etmek için dalgacık dönüşümü yöntemlerine veya genel makine öğrenme modellerine odaklanmıştır; Birincisi insanlar arasında karşılaştırılabilir bir yürüyüş kalıbı varsayılır ve ikincisi, farklı bir nüfusu temsil eden eğitim veri kümelerini varsayar. Bu makalede, bu yaklaşımların ciddi motor bozuklukları ve belirgin yürüyüş kalıpları olan insanlar için uygun olmadığını ve hafif kişiselleştirilmiş bir alternatif için durumu oluşturduğunu savunuyoruz. Genel bir modelin üzerine kurulmuş, kişiselleştirilmiş verilerle ince ayar yapan bir yaklaşım önermekteyiz. Genel makine öğrenimi (NN ve CNN) yaklaşımları ve kişiselleştirilmiş muadilleri ile karşılaştırmalı bir kavram ispatı değerlendirmesi, ikincisinin genel doğruluğu NN için% 3,5 ve CNN için% 5.3 oranında geliştirdiğini gösterdi. Daha da önemlisi, genel model tarafından kötü temsil edilen katılımcılar (en uç durumlar) NN için %16,9'a kadar, kişiselleştirilmiş yaklaşımlarla CNN için ise %20,5'e kadar iyileştirilmiş yürüyüş örneklerinin tanınmasına sahipti. Parkinson hastalığı gibi nörolojik durumları olan kişilerin çok bireysel motor desenler sunduğunu ve bir anlamda hepsinin aykırı olduğunu söylemek yaygındır; Sonuçlarımızın araştırmacıları, bu farklılıkları temsil edebilecek veri kümelerini toplamak yerine kişiselleştirmeye değer veren alternatif yaklaşımları keşfetmeye motive edeceğini umuyoruz.
Özgün kaynak özetini okuyun
There is growing interest in monitoring gait patterns in people with neurological conditions. The democratisation of wearable inertial sensors has enabled the study of gait in free living environments. One pivotal aspect of gait assessment in uncontrolled environments is the ability to accurately recognise gait instances. Previous work has focused on wavelet transform methods or general machine learning models to detect gait; the former assume a comparable gait pattern between people and the latter assume training datasets that represent a diverse population. In this paper, we argue that these approaches are unsuitable for people with severe motor impairments and their distinct gait patterns, and make the case for a lightweight personalised alternative. We propose an approach that builds on top of a general model, fine-tuning it with personalised data. A comparative proof-of-concept evaluation with general machine learning (NN and CNN) approaches and personalised counterparts showed that the latter improved the overall accuracy in 3.5% for the NN and 5.3% for the CNN. More importantly, participants that were ill-represented by the general model (the most extreme cases) had the recognition of gait instances improved by up to 16.9% for NN and 20.5% for CNN with the personalised approaches. It is common to say that people with neurological conditions, such as Parkinson's disease, present very individual motor patterns, and that in a sense they are all outliers; we expect that our results will motivate researchers to explore alternative approaches that value personalisation rather than harvesting datasets that are may be able to represent these differences.
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.