NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FOG), Parkinson hastalığının (PD) epizodik ve son derece etkisiz bir belirtisidir. Tek bir fenomen olarak tanımlanmasına rağmen, FOG heterojendir ve yerinde titreme veya tam akinezi gibi farklı tezahürler olarak ifade edebilir. FOG'yu her iki tezahüre de sınıflandırmak için atalet ölçüm birimi verileri üzerinde eğitilmiş derin öğrenme (DL) etkinliğini analiz etmeyi amaçladık. Bu görev için dört son teknoloji FOG tespit algoritmasını uyarladık ve karşılaştırdık ve aşırı segmentasyon hatalarını gidermek için bir rafine etme modeli eklemenin avantajlarını araştırdık. Modelin titreklik ve akineziyi ayırt etmedeki performansını ve diğer hareket bırakma biçimlerini (örneğin, durma ve oturma) altın standart video açıklamalarına karşı değerlendirdik. Deneyler, bir yürüyüş laboratuvarında FOG provokasyon protokolünü tamamlayan on sekiz PD hastasının veri seti üzerinde yapıldı. Sonuçlar, modelimizin FOG tezahürlerinin tespitinde 0.78 F1 puanı ve 0.75'in F1@50 segmentine ulaştığını gösterdi. FOG şiddetinin değerlendirilmesi titreme (ICC=0.86, [0.66.0.95]) ve akinezi için orta derecede güçlüydü (ICC=0.78, [0.51.0.91]). Önemli olarak, modelimiz FOG'yu 360 derecelik dönüm-yerinde görevler sırasında diğer hareket bırakma biçimlerinden başarılı bir şekilde ayırdı. Sonuç olarak, çalışmamız, DL'nin farklı FOG tezahürlerini doğru bir şekilde değerlendirebildiğini ve daha büyük ve daha çeşitli doğrulama kohortlarında daha fazla araştırma yapılmasını garanti ettiğini göstermektedir.
Özgün kaynak özetini okuyun
Freezing of gait (FOG) is an episodic and highly disabling symptom of Parkinson's disease (PD). Although described as a single phenomenon, FOG is heterogeneous and can express as different manifestations, such as trembling in place or complete akinesia. We aimed to analyze the efficacy of deep learning (DL) trained on inertial measurement unit data to classify FOG into both manifestations. We adapted and compared four state-of-the-art FOG detection algorithms for this task and investigated the advantages of incorporating a refinement model to address oversegmentation errors. We evaluated the model's performance in distinguishing between trembling and akinesia, as well as other forms of movement cessation (e.g., stopping and sitting), against gold-standard video annotations. Experiments were conducted on a dataset of eighteen PD patients completing a FOG-provoking protocol in a gait laboratory. Results showed our model achieved an F1 score of 0.78 and segment F1@50 of 0.75 in detecting FOG manifestations. Assessment of FOG severity was strong for trembling (ICC=0.86, [0.66,0.95]) and moderately strong for akinesia (ICC=0.78, [0.51,0.91]). Importantly, our model successfully differentiated FOG from other forms of movement cessation during 360-degree turning-in-place tasks. In conclusion, our study demonstrates that DL can accurately assess different types of FOG manifestations, warranting further investigation in larger and more diverse verification cohorts.
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.