NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AimsSleep rahatsızlığı Parkinson hastalığının (PD) yaygın motor olmayan bir belirtisidir, ancak uyku koşullarını değerlendirmek her zaman zaman alıcı ve emek yoğundur. Bu çalışmada, hem normal hem de PD sıçanlarının elektrokortikografi (ECoG) ve elektromiyogram (EMG) sinyallerini analiz ederek otomatik bir uyku-uyanıklık durumu sınıflandırması ve PD'nin erken teşhisi yaptık.MetodlarÇalışmada, destek vektör makinesi algoritmasına dayalı uyku-uyanıklık puanlama modelleri oluşturmak için normal ve PD sıçanlarından çıkarılan ECoG gücü, EMG genliği ve kortikokomüsküler koherans değerleri kullanıldı. Daha sonra, PD için teşhis belirleyicileri olarak hareket edebilecek özellik değerlerini dahil ettik ve daha sonra modelleri yeniden eğittik, bu da uyanıklık durumlarının tanımlanmasını ve PD'nin teşhisini kapsayabilir.Eksipital ECoG sinyallerinden çıkarılan sonuçlar, frontal ECoG'dan (ortalama Cohen'in kappası: 0.73 vs.) daha fazla uyku-uyanıklık puanlama modelleri oluşturmak için daha uygundu. 0.71). Ek olarak, yeniden eğitimden sonra, yeni modeller PD'ye karşı artan hassasiyet gösterdi ve sıçanların uyku-uyanıklık durumlarını doğru bir şekilde belirledi (ortalama Cohen'in kappası: 0.79).Bu çalışma substantia nigra lezyonlarının kesin tespitini ve uyku-uyanıklık durumlarının izlenmesini başardı. Sirkadiyen ritim izleme ve hastalık durumu değerlendirmesinin entegrasyonu, terapötik stratejilerin etkinliğini önemli ölçüde iyileştirme potansiyeline sahiptir.
Özgün kaynak özetini okuyun
AimsSleep disturbance is a prevalent nonmotor symptom of Parkinson's disease (PD), however, assessing sleep conditions is always time-consuming and labor-intensive. In this study, we performed an automatic sleep-wake state classification and early diagnosis of PD by analyzing the electrocorticography (ECoG) and electromyogram (EMG) signals of both normal and PD rats.MethodsThe study utilized ECoG power, EMG amplitude, and corticomuscular coherence values extracted from normal and PD rats to construct sleep-wake scoring models based on the support vector machine algorithm. Subsequently, we incorporated feature values that could act as diagnostic markers for PD and then retrained the models, which could encompass the identification of vigilance states and the diagnosis of PD.ResultsFeatures extracted from occipital ECoG signals were more suitable for constructing sleep-wake scoring models than those from frontal ECoG (average Cohen's kappa: 0.73 vs. 0.71). Additionally, after retraining, the new models demonstrated increased sensitivity to PD and accurately determined the sleep-wake states of rats (average Cohen's kappa: 0.79).ConclusionThis study accomplished the precise detection of substantia nigra lesions and the monitoring of sleep-wake states. The integration of circadian rhythm monitoring and disease state assessment has the potential to improve the efficacy of therapeutic strategies considerably.
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.