NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Giyilebilir sensörler, Parkinson hastalığı (PD) gibi nörolojik durumlarda motor bozukluğu ilerlemesinin evde izlenmesi için bir araç sağlar. Bu çalışma, düşük maliyetli giyilebilir sensörler kullanarak Birleşik Parkinson Hastalığı Değerlendirme Ölçeği'nin (MDS-UPDRS) toplum destekli revizyonu olan Hareket Bozuklukları Topluluğu'nun değiştirilmiş bir versiyonunda motor bozulma şiddetini derecelendirmek için derin öğrenme yaklaşımlarının yeteneğini inceledi. Sağlıklı yaşlı yetişkinlerin (HOA'lar) hareket verileriyle eğitim veri kümelerini genişletmenin ve denetimsiz ön eğitimden öğrenilen ağırlıklarla sınıflandırıcıları başlatmanın, temel bir derin öğrenme modeline (XceptionTime) göre daha düşük ve daha yüksek motor bozukluğunu sınıflandırırken performansta bir iyileşmeye yol açacağını varsaymıştık. Bu çalışma, HHOA'larla genişletilmiş eğitim veri kümelerini kullandıktan ve ağırlıkları, MDS-UPDRS ile tutarlı olarak hem üst ekstremite (parmak vuruşu, el hareketleri ve ellerin pronasyon-süpinasyon hareketleri) hem de alt ekstremite (ayak vuruşu ve bacak çevikliği) görevlerini kullanan bir temel derin öğrenme modeline (XceptionTime) kıyasla denetimsiz ön eğitimden aktardıktan sonra sınıflandırma performansındaki değişimi değerlendirdi. Genel olarak, el hareketi görevlerinde maksimum oy çıkarımını kullanarak eğitim veri setini genişlettikten ve ön eğitimden sonra doğrulukta% 12,2 oranında bir iyileşme bulduk. Ayrıca, sınıflandırma performansının HOA eğitim verilerinin eklenmesinden sonra ayak parmağına dokunma dışında her görev için geliştiğini gördük. Bu bulgular, HOA hareket verilerinden öğrenmenin, motor bozukluğu sınıflandırması amacıyla PD hareket verilerinin temsillerini dolaylı olarak iyileştirebileceğini göstermektedir. Ayrıca, sonuçlarımız, denetimsiz ön eğitim, motor bozukluğu sınıflandırıcılarının performansını, herhangi bir ek açıklamalı PD verisi olmadan iyileştirebileceğini ve bu da yaygın olarak konuşlandırılabilir bir teletıp çözümü için uygun bir çözüm sağlayabileceğini göstermektedir.
Özgün kaynak özetini okuyun
Wearable sensors provide a tool for at-home monitoring of motor impairment progression in neurological conditions such as Parkinson's disease (PD). This study examined the ability of deep learning approaches to grade the motor impairment severity in a modified version of the Movement Disorders Society-sponsored revision of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS) using low-cost wearable sensors. We hypothesized that expanding training datasets with motion data from healthy older adults (HOAs) and initializing classifiers with weights learned from unsupervised pre-training would lead to an improvement in performance when classifying lower vs. higher motor impairment relative to a baseline deep learning model (XceptionTime). This study evaluated the change in classification performance after using expanded training datasets with HOAs and transferring weights from unsupervised pre-training compared to a baseline deep learning model (XceptionTime) using both upper extremity (finger tapping, hand movements, and pronation-supination movements of the hands) and lower extremity (toe tapping and leg agility) tasks consistent with the MDS-UPDRS. Overall, we found a 12.2% improvement in accuracy after expanding the training dataset and pre-training using max-vote inference on hand movement tasks. Moreover, we found that the classification performance improves for every task except toe tapping after the addition of HOA training data. These findings suggest that learning from HOA motion data can implicitly improve the representations of PD motion data for the purposes of motor impairment classification. Further, our results suggest that unsupervised pre-training can improve the performance of motor impairment classifiers without any additional annotated PD data, which may provide a viable solution for a widely deployable telemedicine solution.
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.