NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Giriş Yürüyüşün dondurulması (FoG), Parkinson hastalığı (PD) olanlar için önemli bir konudur, çünkü düşmeye birincil bir katkıda bulunur ve yaşamın zayıf bir üstünlüğü ile bağlantılıdır. Altta yatan aygıt hala anlaşılamamıştır; ancak, bunun bilişsel bozukluklarla, yani yönetici ve visuospatial işlevlerdeki bozukluklarla ilişkili olduğu varsayılmaktadır. FoG bölümleri sırasında, hastalar düşme riskini yaşayabilir, bu da yaşam kalitelerini önemli ölçüde etkiler.MetodlarBu araştırma, bir FoG olayını gerçekleşmeden önce doğru bir şekilde tahmin etmede makine öğrenimi yaklaşımlarının etkinliğini sistematik olarak değerlendirmeyi amaçlamaktadır. Sistem, Kaggle deposundan toplanan bir veri seti kullanılarak test edildi ve Parkinson hastalığı olan kişilerde sıklıkla görülen şiddetli bir gösterge olan FoG ataklarından muzdarip kişilerin alt sırtlarından toplanan 3D ivmeölçer verilerini içeriyor. Veriler, 65 hasta ve 20 sağlıklı yaşlı yetişkinden elde edilen ivmeyi ölçerek elde edildi ve bunlar simüle edilmiş günlük yaşam görevleriyle uğraştılar. Toplam katılımcılardan 45'i FoG'nun endikasyonlarını sergiledi. Bu araştırma, karar ağacı, rastgele orman, en yakın komşular algoritması, LightGBM ve CatBoost modelleri olmak üzere yedi makine öğrenme yöntemini kullanmaktadır. FoG'yi tahmin etmek için Gated Recurrent Unit (GRU)-Transformers ve Longterm Recurrent Convolutional Networks (LRCN) modelleri uygulandı. Yapı ve model parametrelerinin hesaplama zorluğu ve değerlendirme süresini azaltarak performansı artırması planlanmıştır.SonuçlarKarar ağacı, sırasıyla FoG, geçiş ve normal aktivite sınıfları için doğruluk, hassasiyet, geri çağırma ve F1 puan ölçümleri açısından %91 hassasiyet oranları elde ederek olağanüstü performans sergiledi. Sistemin FoG'yi objektif ve kesin olarak öngörme kapasitesine sahip olduğu belirtildi. Bu sistem, FoG'un anlaşılmasını ve ele alınmasını ilerletmede dikkate alınmasında etkili olacaktır.
Özgün kaynak özetini okuyun
IntroductionFreezing of gait (FoG) is a significant issue for those with Parkinson's disease (PD) since it is a primary contributor to falls and is linked to a poor superiority of life. The underlying apparatus is still not understood; however, it is postulated that it is associated with cognitive disorders, namely impairments in executive and visuospatial functions. During episodes of FoG, patients may experience the risk of falling, which significantly effects their quality of life.MethodsThis research aims to systematically evaluate the effectiveness of machine learning approaches in accurately predicting a FoG event before it occurs. The system was tested using a dataset collected from the Kaggle repository and comprises 3D accelerometer data collected from the lower backs of people who suffer from episodes of FoG, a severe indication frequently realized in persons with Parkinson's disease. Data were acquired by measuring acceleration from 65 patients and 20 healthy senior adults while they engaged in simulated daily life tasks. Of the total participants, 45 exhibited indications of FoG. This research utilizes seven machine learning methods, namely the decision tree, random forest, Knearest neighbors algorithm, LightGBM, and CatBoost models. The Gated Recurrent Unit (GRU)-Transformers and Longterm Recurrent Convolutional Networks (LRCN) models were applied to predict FoG. The construction and model parameters were planned to enhance performance by mitigating computational difficulty and evaluation duration.ResultsThe decision tree exhibited exceptional performance, achieving sensitivity rates of 91% in terms of accuracy, precision, recall, and F1- score metrics for the FoG, transition, and normal activity classes, respectively. It has been noted that the system has the capacity to anticipate FoG objectively and precisely. This system will be instrumental in advancing consideration in furthering the comprehension and handling of FoG.
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.