NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Veri artırma yöntemleri, tıbbi alanda mevcut olan sınırlı miktarda eğitim veri setini göz önünde bulundurarak, ataletsel bir ölçüm ünitesinden zaman serisi verileriyle derin öğrenme kullanarak hafif Parkinson hastalığını sınıflandırmak için son teknoloji performanslarını iyileştirmek için uygulanabilir bir yaklaşım olarak ortaya çıkmıştır. Bu çalışma, hafif Parkinson hastalığını ve sağlıklı katılımcıları, bir Shank-worn atalet ölçüm ünitesi aracılığıyla kaydedilen bir zaman serisi yürüyüş veri setini kullanarak derin öğrenme ile sınıflandırmak için etkili veri artırma yöntemlerini araştırdı. Dört büyüklük-domain-dönüşüm ve üç zaman-domain-dönüşüm veri-yüklendirme yöntemleri ve yukarıda belirtilen yöntemlerin karışımlarını içeren dört yöntem, sınıflandırma için temsili bir konvolutional sinir ağına uygulandı ve performansları karşılaştırıldı. Veri-yükleme açısından, veri-yükleme olmadan temel sınıflandırma doğruluğu ile karşılaştırıldığında, büyüklük-alan dönüşümü zaman-alan dönüşümü ve karma-veri büyütmeden daha iyi performans gösterdi. Büyüklük-domain dönüşümünde, dönme yöntemi sırasıyla 5.5 ve %5,9'luk F1-score iyileştirmeleri sağlayarak en iyi performans iyileştirmesine önemli ölçüde katkıda bulundu. Arttırılmış veri, hareket halindeki hafif Parkinson'u tespit etmek için sensör aracılığıyla elde edilen zaman serisi verilerinin özelliklerini korurken çeşitli olabilir; Bu veri özniteliği, yukarıda belirtilen eğilime neden olmuş olabilir. Özellikle, uygun veri uzantılarının seçimi, hafif Parkinson hastalığı için sınıflandırma performansının iyileştirilmesine yardımcı olacaktır.
Özgün kaynak özetini okuyun
Data-augmentation methods have emerged as a viable approach for improving the state-of-the-art performances for classifying mild Parkinson's disease using deep learning with time-series data from an inertial measurement unit, considering the limited amount of training datasets available in the medical field. This study investigated effective data-augmentation methods to classify mild Parkinson's disease and healthy participants with deep learning using a time-series gait dataset recorded via a shank-worn inertial measurement unit. Four magnitude-domain-transformation and three time-domain-transformation data-augmentation methods, and four methods involving mixtures of the aforementioned methods were applied to a representative convolutional neural network for the classification, and their performances were compared. In terms of data-augmentation, compared with baseline classification accuracy without data-augmentation, the magnitude-domain transformation performed better than the time-domain transformation and mixed-data augmentation. In the magnitude-domain transformation, the rotation method significantly contributed to the best performance improvement, yielding accuracy and F1-score improvements of 5.5 and 5.9%, respectively. The augmented data could be varied while maintaining the features of the time-series data obtained via the sensor for detecting mild Parkinson's in gait; this data attribute may have caused the aforementioned trend. Notably, the selection of appropriate data extensions will help improve the classification performance for mild Parkinson's disease.
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.