NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), yürüyüş anormalliklerine neden olan nörodejeneratif bir hastalıktır. PD yürüyüşünün erken ve doğru tanınması etkili tedavi için çok önemlidir. Son zamanlarda, derin öğrenme teknikleri PD yürüyüş analizinde umut verici sonuçlar göstermiştir. Bununla birlikte, mevcut yöntemlerin çoğu ciddiyet tahmini ve donmuş yürüyüş tespitine odaklanırken, Parkinson yürüyüşünün ve ileri videodan normal yürüyüşün tanınması bildirilmemiştir. Bu makalede, PD yürüyüş tanıma için WM-STGCN adında, bir Spatiotemporal Graph Convolution Network'te sanal bağlantı ve Çok Ölçekli zamansal konvolüsyona sahip bir Ağırlıklı adjacency matrisi kullanan yeni bir spatiotemporal modelleme yöntemi önermekteyiz. Ağırlıklı matris, sanal bağlantılar da dahil olmak üzere farklı mekansal özelliklere farklı yoğunlukların atanmasını sağlarken, çok ölçekli zamansal konvolüsyon, zamansal özelliklerin farklı ölçeklerde etkili bir şekilde yakalanmasına yardımcı olur. Dahası, iskelet verilerini artırmak için çeşitli yaklaşımlar kullanıyoruz. Deneysel sonuçlar, önerilen yöntemimizin %87,1'lik en iyi doğruluk ve %92,85'lik bir F1 puanı elde ettiğini ve uzun kısa süreli hafızayı (LSTM), K-en yakın komşuları (KNN), Karar ağacı, AdaBoost ve ST-GCN modellerini geride bıraktığını göstermektedir. Önerilen WM-STGCN, mevcut yöntemlerden daha iyi performans gösteren PD yürüyüş tanıma için etkili bir spatiotemporal modelleme yöntemi sunar. PD tanı ve tedavisinde klinik uygulama potansiyeline sahiptir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative disorder that causes gait abnormalities. Early and accurate recognition of PD gait is crucial for effective treatment. Recently, deep learning techniques have shown promising results in PD gait analysis. However, most existing methods focus on severity estimation and frozen gait detection, while the recognition of Parkinsonian gait and normal gait from the forward video has not been reported. In this paper, we propose a novel spatiotemporal modeling method for PD gait recognition, named WM-STGCN, which utilizes a Weighted adjacency matrix with virtual connection and Multi-scale temporal convolution in a Spatiotemporal Graph Convolution Network. The weighted matrix enables different intensities to be assigned to different spatial features, including virtual connections, while the multi-scale temporal convolution helps to effectively capture the temporal features at different scales. Moreover, we employ various approaches to augment skeleton data. Experimental results show that our proposed method achieved the best accuracy of 87.1% and an F1 score of 92.85%, outperforming Long short-term memory (LSTM), K-nearest neighbors (KNN), Decision tree, AdaBoost, and ST-GCN models. Our proposed WM-STGCN provides an effective spatiotemporal modeling method for PD gait recognition that outperforms existing methods. It has the potential for clinical application in PD diagnosis and treatment.
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.