NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FoG), yürüme niyetine rağmen ayakları ileri hareket edememe ile karakterize Parkinson hastalığının (PD) engelleyici bir klinik olgusudur. PD'nin en sorunlu semptomlarından biridir, bu da düşme riskinin artmasına ve yaşam kalitesinin azalmasına yol açar. Giyilebilir atalet sensörleri ve makine öğrenimi (ML) algoritmalarının kombinasyonu, FoG'yi gerçek dünya senaryolarında izlemek için uygulanabilir bir çözümü temsil eder. Bununla birlikte, geleneksel FoG algılama algoritmaları, FoG'nin meydana geldiği etkinliğin bağlamını dikkate almadan tüm verileri ayrım gözetmeksizin işler. Bu çalışma, FoG algılama sistemlerini yalnızca belirli koşullar altında etkinleştirebilecek, böylece hesaplama yükünü azaltabilecek hafif, bağlam farkında bir algoritma geliştirmeyi amaçladı. ML ve derin öğrenme (DL) yürüyüş tanıma yöntemlerinin yanı sıra ivme büyüklüğüne dayalı tek basamaklı bir yöntem de dahil olmak üzere çeşitli yaklaşımlar uygulandı. Bağlam algoritmalarını eğitmek ve değerlendirmek için, tek bir atalet sensöründen elde edilen veriler, toplam seksen bir PD hastasını kapsayan üç farklı veri kümesi kullanılarak çıkarıldı. Yürüyüş tanıma için duyarlılık ve özgüllük sırasıyla 0.95 ile 0.96 ve 0.80 ile 0.93 arasında değişirken, en iyi sonuçları sağlayan tek boyutlu konvolüsyonel sinir ağına sahip oldu. Eşik yaklaşımı, bağlam farkındalığının FoG algılama performansı üzerindeki etkisini değerlendirirken ML- ve DL tabanlı yöntemlerden daha iyi performans gösterdi. Genel olarak, bağlam algoritmaları, FoG olmayan verilerin %55'inden fazlasını ve FoG bölümlerinin %4'ünden daha azını atmasına izin verir. Sonuçlar, bir bağlam sınıflandırıcısının FoG algılama oranını önemli ölçüde etkilemeden FoG algılama algoritmalarının hesaplama yükünü azaltabileceğini göstermektedir. Böylece, bağlam bilincinin uygulanması, ampülatif ve serbest yaşam ortamlarında uzun vadeli FoG izleme için enerji verimli bir çözüm sunabilir.
Özgün kaynak özetini okuyun
Freezing of gait (FoG) is a disabling clinical phenomenon of Parkinson's disease (PD) characterized by the inability to move the feet forward despite the intention to walk. It is one of the most troublesome symptoms of PD, leading to an increased risk of falls and reduced quality of life. The combination of wearable inertial sensors and machine learning (ML) algorithms represents a feasible solution to monitor FoG in real-world scenarios. However, traditional FoG detection algorithms process all data indiscriminately without considering the context of the activity during which FoG occurs. This study aimed to develop a lightweight, context-aware algorithm that can activate FoG detection systems only under certain circumstances, thus reducing the computational burden. Several approaches were implemented, including ML and deep learning (DL) gait recognition methods, as well as a single-threshold method based on acceleration magnitude. To train and evaluate the context algorithms, data from a single inertial sensor were extracted using three different datasets encompassing a total of eighty-one PD patients. Sensitivity and specificity for gait recognition ranged from 0.95 to 0.96 and 0.80 to 0.93, respectively, with the one-dimensional convolutional neural network providing the best results. The threshold approach performed better than ML- and DL-based methods when evaluating the effect of context awareness on FoG detection performance. Overall, context algorithms allow for discarding more than 55% of non-FoG data and less than 4% of FoG episodes. The results indicate that a context classifier can reduce the computational burden of FoG detection algorithms without significantly affecting the FoG detection rate. Thus, implementation of context awareness can present an energy-efficient solution for long-term FoG monitoring in ambulatory and free-living settings.
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.