NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FoG), Parkinson hastalığı ve ilgili bozuklukları olan bireyler arasında yaygın bir semptomdur. Videolardan FoG algılaması son zamanlarda geliştirilmiştir; ancak, süreç kontrollü bir ortamda çekilen videoları kullanmayı gerektirir. Günlük klinik uygulamalarda olduğu gibi kontrolsüz ortamlarda çekilen videolardan otomatik FoG algılama yöntemi oluşturmaya çalıştık. 16 hastanın hareket özellikleri, nesne izleme ve üç boyutlu poz tahmini yoluyla 109 video veri noktasında zamanlanmış-up-go testinden çıkarıldı. Bu hareket özellikleri, kural tabanlı ve makine öğrenimine dayalı modelleri birleştiren FoG algılama modelini oluşturmak için kullanıldı. Kural tabanlı model, hastanın pelvik pozisyon koordinatlarını kullanarak hastanın durduğu durumlardan yürüdüğü çerçeveleri ayırt etti; Makine öğrenimi tabanlı model FoG ile birleşik bir tek boyutlu konvolutional sinir ağı ve uzun kısa süreli bellek (1dCNN-LSTM) kullanmayı bıraktı. Model, manuel olarak açıklanan FoG ve %FoG süresi ile 0.75-0.94 arasında yüksek bir sınıf içi korelasyon katsayısı elde etti. Bu yöntem, nesne izleme, 3D poz tahmini ve ön işleme ve modelleme aşamalarında uzman güdümlü özellik seçimini birleştirerek, kontrolsüz ortamlarda yakalanan videolardan bile FoG tespitini mümkün kıldığı için yenidir.
Özgün kaynak özetini okuyun
Freezing of gait (FoG) is a prevalent symptom among individuals with Parkinson's disease and related disorders. FoG detection from videos has been developed recently; however, the process requires using videos filmed within a controlled environment. We attempted to establish an automatic FoG detection method from videos taken in uncontrolled environments such as in daily clinical practices. Motion features of 16 patients were extracted from timed-up-and-go test in 109 video data points, through object tracking and three-dimension pose estimation. These motion features were utilized to form the FoG detection model, which combined rule-based and machine learning-based models. The rule-based model distinguished the frames in which the patient was walking from those when the patient has stopped, using the pelvic position coordinates; the machine learning-based model distinguished between FoG and stop using a combined one-dimensional convolutional neural network and long short-term memory (1dCNN-LSTM). The model achieved a high intraclass correlation coefficient of 0.75-0.94 with a manually-annotated duration of FoG and %FoG. This method is novel as it combines object tracking, 3D pose estimation, and expert-guided feature selection in the preprocessing and modeling phases, enabling FoG detection even from videos captured in uncontrolled environments.
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.