NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka PlanlarGit donması (FoG), Parkinson hastalığının (PD) düşmeye ve yaşam kalitesinin azalmasına yol açabilecek yaygın ve zayıflatıcı bir belirtisidir. Giyilebilir sensörler FoG'yi tespit etmek için kullanılmıştır, ancak mevcut yöntemlerin doğruluk ve pratiklik konusunda sınırlamaları vardır. Bu yazıda PD hastalarında FoG'yi doğru bir şekilde tespit etmek için giyilebilir tabanlardan gelen basınç sensörü verilerini kullanarak derin bir öğrenme modeli geliştirmeyi amaçladık.Metodlar14 PD hastasını işe aldık ve Pedar taban sistemini kullanarak standartlaştırılmış bir yürüme testinin birden fazla denemesinden veri topladık. Zamansal evrişimsel sinir ağı (TCNN) önerdik ve veri kümesinin bütünlüğünü sağlamak için titiz veri filtreleme ve seçici katılımcı dahil etme kriterleri uyguladık. Sensör verilerini yapılandırılmış bir matrise eşledik ve TCNN'mize girmek için normalleştirdik. Modelin performansını değerlendirmek için bir tren testi bölmesi kullandık.Sonuçlar TCNN modelinin diğer modellere kıyasla FoG tespiti için en yüksek doğruluk, hassasiyet, hassasiyet, özgüllük ve F1 puanına ulaştığını tespit ettik. TCNN modeli, çeşitli sensör gürültü durumlarında bile FoG bölümlerinin tespitinde iyi performans gösterdi.SonuçlarPD hastalarında FoG tespiti için giyilebilir basınç sensörleri ve makine öğrenme modelleri kullanma potansiyelini gösterdik. TCNN modeli umut verici sonuçlar gösterdi ve gelecekteki çalışmalarda PD hastalarının güvenliğini ve yaşam kalitesini iyileştirmek için gerçek zamanlı bir FoG tespit sistemi geliştirmek için kullanılabilir. Ek olarak, gürültü etkisi analizimiz kritik sensör konumlarını tanımlar ve sensör numaralarını azaltma potansiyeli önerir.
Özgün kaynak özetini okuyun
BackgroundsFreezing of gait (FoG) is a common and debilitating symptom of Parkinson's disease (PD) that can lead to falls and reduced quality of life. Wearable sensors have been used to detect FoG, but current methods have limitations in accuracy and practicality. In this paper, we aimed to develop a deep learning model using pressure sensor data from wearable insoles to accurately detect FoG in PD patients.MethodsWe recruited 14 PD patients and collected data from multiple trials of a standardized walking test using the Pedar insole system. We proposed temporal convolutional neural network (TCNN) and applied rigorous data filtering and selective participant inclusion criteria to ensure the integrity of the dataset. We mapped the sensor data to a structured matrix and normalized it for input into our TCNN. We used a train-test split to evaluate the performance of the model.ResultsWe found that TCNN model achieved the highest accuracy, precision, sensitivity, specificity, and F1 score for FoG detection compared to other models. The TCNN model also showed good performance in detecting FoG episodes, even in various types of sensor noise situations.ConclusionsWe demonstrated the potential of using wearable pressure sensors and machine learning models for FoG detection in PD patients. The TCNN model showed promising results and could be used in future studies to develop a real-time FoG detection system to improve PD patients' safety and quality of life. Additionally, our noise impact analysis identifies critical sensor locations, suggesting potential for reducing sensor numbers.
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.