NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Oturma-kalkış geçişleri, günlük yaşamın faaliyetlerinin önemli bir parçasıdır ve insanlarda fonksiyonel hareketlilikte önemli bir rol oynar. Oturma-durma hareketi genellikle yaşlı yetişkinlerde zayıflığa bağlı olarak ve Parkinson hastalığı gibi motor bozukluğu olan hastalarda düşmeye yol açan durumlarda etkilenir. Oturma-durma geçişlerinin kinematiklerini incelemek, etkilenen popülasyonlar için değerlendirme, izleme ve rehabilitasyon stratejileri geliştirme konularında fikir verebilir. Biz üç segmentli bir vücut modeli önererek, sadece iki giyilebilir atalet sensörü kullanarak, sap ve sırt üzerine yerleştirilmiş oturma-durağan kinematik tahmin ediyoruz. Vücut segmenti başına bir yerine iki sensör sayısını azaltmak, uzun süreler boyunca hareketlerin izlenmesini ve sınıflandırılmasını kolaylaştırır, bu da sensörlerin güç gereksinimlerini azaltırken aşınmayı daha rahat hale getirir. Bu modeli 10 genç sağlıklı yetişkin (YH), 12 yaşlı sağlıklı yetişkin (OH) ve Parkinson hastalığı olan 12 kişiye (PwP) uyguladık. Bunu, genişletilmiş Kalman filtresi kullanarak açısal kinematiklerin model tabanlı yeniden yapılandırılmasında denetimsiz öğrenme kullanarak benzersiz oturma-duruş sınıflandırma tekniğini birleştirerek başardık. Önerilen modelimiz, uyluk hareketini atalet sensörü ile ölçmemesine rağmen uyluk kinematiklerini başarıyla tahmin etmenin mümkün olduğunu gösterdi. Sırasıyla YH, OH ve PwP için oturma-durma geçişlerini, oturma ve ayakta durma durumlarını %98.67, %94.20 ve %91.41'lik birikimlerle sınıflandırdık. Oturuş hareketi sırasında vücut kinematiklerini tahmin etmek için modelleme ve sınıflandırmanın yeni bir entegre yaklaşımını önerdik ve YH, OH ve PwP gruplarına başarıyla uyguladık.
Özgün kaynak özetini okuyun
Sit-to-stand transitions are an important part of activities of daily living and play a key role in functional mobility in humans. The sit-to-stand movement is often affected in older adults due to frailty and in patients with motor impairments such as Parkinson's disease leading to falls. Studying kinematics of sit-to-stand transitions can provide insight in assessment, monitoring and developing rehabilitation strategies for the affected populations. We propose a three-segment body model for estimating sit-to-stand kinematics using only two wearable inertial sensors, placed on the shank and back. Reducing the number of sensors to two instead of one per body segment facilitates monitoring and classifying movements over extended periods, making it more comfortable to wear while reducing the power requirements of sensors. We applied this model on 10 younger healthy adults (YH), 12 older healthy adults (OH) and 12 people with Parkinson's disease (PwP). We have achieved this by incorporating unique sit-to-stand classification technique using unsupervised learning in the model based reconstruction of angular kinematics using extended Kalman filter. Our proposed model showed that it was possible to successfully estimate thigh kinematics despite not measuring the thigh motion with inertial sensor. We classified sit-to-stand transitions, sitting and standing states with the accuracies of 98.67%, 94.20% and 91.41% for YH, OH and PwP respectively. We have proposed a novel integrated approach of modelling and classification for estimating the body kinematics during sit-to-stand motion and successfully applied it on YH, OH and PwP groups.
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.