NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
PurposeTremor, Parkinson hastalığının (PD) geleneksel ilaçlara etkili bir şekilde yanıt vermeyen ayırt edici özelliklerinden biridir. Bu bakımdan tamamlayıcı bir çözüm olarak, derin beyin uyarımı gibi yöntemler önerilmiştir. Müdahaleyi minimum yan etkilerle uygulamak için, titreme başlangıcını tahmin etmek gerekir. Mevcut çalışmanın amacı, EEG zaman serilerinin analizini kullanarak dinlenme titremelerini tahmin etmek için yeni bir metodoloji önermekti.Acelerometre verilerinden titreme başlangıcı tespiti için değiştirilmiş bir algoritma önerildi. Ayrıca, EEG zaman serisinden PD el titremelerini tahmin etmek için bir makine öğrenme metodolojisi önerildi. EEG verilerinden istatistiksel analizlere ve post-hoc testlerine dayalı olarak çıkarılan en ayırt edici özellikler, trimor öncesi koşulları ayırt etmek için sınıflandırıcıyı eğitmek için kullanıldı.SonuçlarHoc sonrası testlerle yapılan İstatistiksel analizler, form faktörü ve istatistiksel özellikler gibi özelliklerin en ayırt edici özellikler olduğunu gösterdi. Ayrıca, sınırlı sayıda EEG kanalı (F3, F7, P4, CP2, FC6 ve C4) ve EEG bantları (Delta ve Gamma) EEG verilerine dayalı doğru bir titreme tahmini için yeterliydi. Seçilen özellik setine dayanarak, bir KNN sınıflandırıcısı,% 73.67 doğrulukla en iyi trorem öncesi tahmin performansını elde etti.Bu fizibilite çalışması, PD el titremesi tahmini için EEG zaman serisinin tahmin yeteneğini gösteren ilk girişimdi. Bu çalışmanın sınırlamaları göz önüne alındığında, klinik uygulamalar için daha uzun veri ve farklı beyin dinamikleri ile gelecekteki araştırmalara ihtiyaç vardır.
Özgün kaynak özetini okuyun
PurposeTremor is one of the hallmarks of Parkinson's disease (PD) that does not respond effectively to conventional medications. In this regard, as a complementary solution, methods such as deep brain stimulation have been proposed. To apply the intervention with minimal side effects, it is necessary to predict tremor initiation. The purpose of the current study was to propose a novel methodology for predicting resting tremors using analysis of EEG time-series.MethodsA modified algorithm for tremor onset detection from accelerometer data was proposed. Furthermore, a machine learning methodology for predicting PD hand tremors from EEG time-series was proposed. The most discriminative features extracted from EEG data based on statistical analyses and post-hoc tests were used to train the classifier for distinguishing pre-tremor conditions.ResultsStatistical analyses with post-hoc tests showed that features such as form factor and statistical features were the most discriminative features. Furthermore, limited numbers of EEG channels (F3, F7, P4, CP2, FC6, and C4) and EEG bands (Delta and Gamma) were sufficient for an accurate tremor prediction based on EEG data. Based on the selected feature set, a KNN classifier obtained the best pre-tremor prediction performance with an accuracy of 73.67%.ConclusionThis feasibility study was the first attempt to show the predicting ability of EEG time-series for PD hand tremor prediction. Considering the limitations of this study, future research with longer data, and different brain dynamics are needed for clinical applications.
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.