NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
İnsan yürüyüşü etkinliği tanıma, çeşitli uygulama alanlarında uygulanabilen yeni ortaya çıkan bir hareket analizi alanıdır. En cazip uygulamalardan biri, yürüyüş bozukluğu hastalarının izlenmesini, hastalık ilerlemesini ve ilaçların değiştirilmesini / değerlendirilmesi içerir. Bu makale, kaydedilen yürüyüş verilerinin istenen faaliyetlere sınıflandırılmasına veya ortak risk faktörlerinin tanımlanmasına izin veren, böylece konunun yaşam kalitesini artıran sağlam, giyilebilir bir yürüyüş hareket veri toplama sistemi önermektedir. Gait hareket bilgisi, sensörlerin yürüyüş sırasında atalet kuvvetlerine maruz kaldığı alt uzuvlara monte edilen ivmeölçer ve jiroskoplar kullanılarak elde edildi. Ek olarak, bacak kası aktivitesi gerilme ölçer sensörleri kullanılarak ölçüldü. Nitekim, her yürüyüş kaydındaki farklı yürüyüş faaliyetlerini Makine Öğrenimi algoritmalarını kullanarak tanımlamak istedik. Buna uygun olarak, çeşitli Makine Öğrenimi yöntemleri test edildi ve kaydedilen yürüyüş bilgilerinin sınıflandırılması için en iyi performans gösteren algoritmayı oluşturmak için karşılaştırıldı. Dikkate dayalı konvolüsyonel ve nöral ağ algoritmalarının kombinasyonu, diğer test edilmiş algoritmalardan daha iyi performans gösterdi ve bireysel olarak beş denek veri kümelerinde daha fazla test edildi ve aşağıdaki ortalama sınıflandırma sonuçlarını verdi: %98,9 doğruluk, %96,8 hassasiyet, %97,8 hassasiyet, %99,1 özgüllük ve %97,3 F1 skor. Dahası, algoritmanın sağlamlığı, Parkinson hastalığı olan bir hastada donma yürüyüş bölümlerinin başarılı bir şekilde tespit edilmesiyle de doğrulandı. Bu çalışmanın sonuçları, algoritma kişiselleştirmesini tamamlayabilecek uygulanabilir bir yürüyüş olayı sınıflandırma yöntemi olduğunu göstermektedir.
Özgün kaynak özetini okuyun
Human gait activity recognition is an emerging field of motion analysis that can be applied in various application domains. One of the most attractive applications includes monitoring of gait disorder patients, tracking their disease progression and the modification/evaluation of drugs. This paper proposes a robust, wearable gait motion data acquisition system that allows either the classification of recorded gait data into desirable activities or the identification of common risk factors, thus enhancing the subject's quality of life. Gait motion information was acquired using accelerometers and gyroscopes mounted on the lower limbs, where the sensors were exposed to inertial forces during gait. Additionally, leg muscle activity was measured using strain gauge sensors. As a matter of fact, we wanted to identify different gait activities within each gait recording by utilizing Machine Learning algorithms. In line with this, various Machine Learning methods were tested and compared to establish the best-performing algorithm for the classification of the recorded gait information. The combination of attention-based convolutional and recurrent neural networks algorithms outperformed the other tested algorithms and was individually tested further on the datasets of five subjects and delivered the following averaged results of classification: 98.9% accuracy, 96.8% precision, 97.8% sensitivity, 99.1% specificity and 97.3% F1-score. Moreover, the algorithm's robustness was also verified with the successful detection of freezing gait episodes in a Parkinson's disease patient. The results of this study indicate a feasible gait event classification method capable of complete algorithm personalization.
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.