NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Küresel yaşlanma nörolojik hastalıklarda bir artışa yol açar. Nörolojik hastalıkların erken tespiti için kantitatif yürüyüş analizi, hastalıkların etkisini etkili bir şekilde azaltabilir. Son zamanlarda, kapsamlı araştırmalar tek tip taşınabilir sensör kullanarak gait-anormalite-tanımlama algoritmalarına odaklanmıştır. Bununla birlikte, bu çalışmalar sensörün tipi ve görev özgülüğü ile sınırlıdır ve nicel yürüyüş tanımanın yaygın uygulamasını kısıtlar. Bu çalışmada, bir Convolutional Neural Network-Bidirective Long Short-Term Memory (CNN-BILSTM) ağına dayanan multimodal bir yürüyüş-anormallik tanıma çerçevesi önermekteyiz. Kurulan çerçeve, uyumlu bir sürgülü pencere tekniği kullanarak sorunsuz veri paraziti ve uzun zaman serilerinden kaynaklanan zorlukları etkili bir şekilde ele almaktadır. Daha sonra, zaman serisini farklı anormallik aralıklarındaki karakteristik varyasyonları yakalamak ve birden fazla veri türünün birleşik bir temsilini elde etmek için zaman-frekans grafiğine dönüştürürüz. Bu, sinyal işleme yöntemimizi çeşitli sensör türlerine uyarlanabilir hale getirir. Ek olarak, özellik çıkarma için önceden eğitilmiş bir Derin Convolutional Sinir Ağı (DCNN) kullanıyoruz ve sonuç olarak kurulan CNN-BILSTM ağı, çok sensörlü giriş verilerini kaynaştırarak ve sınıflandırarak yüksek doğruluk tanıma elde edebilir. Önerilen yöntemi doğrulamak için, amyotrofik lateral skleroz (ALS), Parkinson hastalığı (PD) ve Huntington hastalığı (HD) gibi farklı nöropatik hastalıkların neden olduğu yürüyüş anormalliklerini tanımak için çeşitlendirilmiş deneyler yaptık. PDgait veri kümesinde, çerçeve, Parkinson hastalığı şiddetinin sınıflandırılmasında 98.89% doğruluk elde etti ve DCLSTM'nin %96.71'ini geçti. Ayrıca, PDgait veri kümesindeki ALS, PD ve HD'nin tanıma doğruluğu sırasıyla% 100,% 96.97 ve% 95.43 idi ve daha önce bildirilen yöntemlerin çoğunu aştı. Bu deneysel sonuçlar, yürüyüş anormalliği tanımlaması için önerilen multimodal çerçevenin potansiyelini güçlü bir şekilde göstermektedir. Farklı tip sensörlere ve daha az eğitim parametrelerine uygunluğu gibi çerçevenin avantajları nedeniyle, günlük yaşamda yürüyüş izleme ve daha fazla hastanın hastalıklarının neden olduğu zararı hafifletmesine yardımcı olacak tıbbi rehabilitasyon programlarının özelleştirilmesi için daha uygundur.
Özgün kaynak özetini okuyun
Global aging leads to a surge in neurological diseases. Quantitative gait analysis for the early detection of neurological diseases can effectively reduce the impact of the diseases. Recently, extensive research has focused on gait-abnormality-recognition algorithms using a single type of portable sensor. However, these studies are limited by the sensor's type and the task specificity, constraining the widespread application of quantitative gait recognition. In this study, we propose a multimodal gait-abnormality-recognition framework based on a Convolutional Neural Network-Bidirectional Long Short-Term Memory (CNN-BiLSTM) network. The as-established framework effectively addresses the challenges arising from smooth data interference and lengthy time series by employing an adaptive sliding window technique. Then, we convert the time series into time-frequency plots to capture the characteristic variations in different abnormality gaits and achieve a unified representation of the multiple data types. This makes our signal processing method adaptable to several types of sensors. Additionally, we use a pre-trained Deep Convolutional Neural Network (DCNN) for feature extraction, and the consequently established CNN-BiLSTM network can achieve high-accuracy recognition by fusing and classifying the multi-sensor input data. To validate the proposed method, we conducted diversified experiments to recognize the gait abnormalities caused by different neuropathic diseases, such as amyotrophic lateral sclerosis (ALS), Parkinson's disease (PD), and Huntington's disease (HD). In the PDgait dataset, the framework achieved an accuracy of 98.89% in the classification of Parkinson's disease severity, surpassing DCLSTM's 96.71%. Moreover, the recognition accuracy of ALS, PD, and HD on the PDgait dataset was 100%, 96.97%, and 95.43% respectively, surpassing the majority of previously reported methods. These experimental results strongly demonstrate the potential of the proposed multimodal framework for gait abnormality identification. Due to the advantages of the framework, such as its suitability for different types of sensors and fewer training parameters, it is more suitable for gait monitoring in daily life and the customization of medical rehabilitation schedules, which will help more patients alleviate the harm caused by their diseases.
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.