NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son on yılda, video özellikli mobil cihazlar yaygın hale gelirken, işaretsiz poz tahminindeki gelişmeler, bir bireyin vücut konumunun bir videonun çerçeveleri boyunca doğru ve verimli bir şekilde izlenmesini sağlar. Bu ve diğer gruplar tarafından yapılan önceki çalışmalar, Parkinson hastalığındaki (PD) motor bozukluğunu güvenilir bir şekilde ölçmek için poz çıkarılmış kinematik özelliklerin kullanılabileceğini göstermiştir. Bu, motor disfonksiyonun asenkron ve ölçeklenebilir, video tabanlı bir değerlendirme geliştirme olasılığını sunar. Bu çaba için önemli olan, manuel etiketlemenin gerekli olduğu bir eylemin sınıfını otomatik olarak tanıma yeteneğidir. Vücut eklem yerlerinin evrimini spatio-temporal bir grafik olarak temsil ederek, Hareket Bozukluğu Topluluğu Birleşik PD Derecelendirme Ölçeği'nin (MDS-UPDRS) 3. bölümüne göre gerçekleştirilen etkinliklerin video ve çerçeve düzeyinde sınıflandırılması için derin öğrenme modeli uyguluyoruz. Bu sistemi 5 bağımsız sitede kaydedilen n = 7310 video klipli bir veri seti kullanarak eğitiyor ve onaylıyoruz. Bu yaklaşım, monoküler video klipler içinde etkinlik dönemlerini tespit etme ve sınıflandırmada insan düzeyinde performansa ulaşır. Çerçevemiz klinik iş akışlarını ve hasta bakımını, klinik veri toplamanın kaliteli izlenmesi, video akışlarının otomatik olarak etiketlenmesi veya uzaktan bir öz değerlendirme sistemi içindeki bir modül gibi uygulamalar aracılığıyla ölçeklendirebilir.
Özgün kaynak özetini okuyun
Over the last decade, video-enabled mobile devices have become ubiquitous, while advances in markerless pose estimation allow an individual's body position to be tracked accurately and efficiently across the frames of a video. Previous work by this and other groups has shown that pose-extracted kinematic features can be used to reliably measure motor impairment in Parkinson's disease (PD). This presents the prospect of developing an asynchronous and scalable, video-based assessment of motor dysfunction. Crucial to this endeavour is the ability to automatically recognise the class of an action being performed, without which manual labelling is required. Representing the evolution of body joint locations as a spatio-temporal graph, we implement a deep-learning model for video and frame-level classification of activities performed according to part 3 of the Movement Disorder Society Unified PD Rating Scale (MDS-UPDRS). We train and validate this system using a dataset of n = 7310 video clips, recorded at 5 independent sites. This approach reaches human-level performance in detecting and classifying periods of activity within monocular video clips. Our framework could support clinical workflows and patient care at scale through applications such as quality monitoring of clinical data collection, automated labelling of video streams, or a module within a remote self-assessment system.
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.