Wearable Online Freezing of Gait Detection and Cueing System.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Bu makale, yürüyüş bölümlerinin dondurulması yaşayan Parkinson hastalarına yardımcı olmak için tasarlanmış gerçek zamanlı giyilebilir bir sistem sunmaktadır. Sistem, yüksek doğruluk, verimlilik ve sağlamlık elde etmek için geçmiş örnek veri ön işleme ile geliştirilmiş, konvolüsyonel ve tekrarlayan sinir ağları da dahil olmak üzere gelişmiş makine öğrenme modellerini kullanır. Sürekli yürüyüş düzenlerini izleyerek, sistem zamanında müdahaleler sağlar, hareketliliği iyileştirir ve donma bölümlerinin etkisini azaltır. Bu makale, mikrodenetleyici tabanlı bir cihazda bir CNN + RNN + PS makine öğrenme modelinin uygulanmasını araştırıyor. Cihaz, 40 Hz'lik gerçek zamanlı bir işlem hızında çalışır ve hastalara 'talep üzerine' titreşim uyarımı sağlamak için pratik ortamlarda konuşlandırılır. Bu makale, sistemin minimum gecikme ile çalışma yeteneğini inceler, sadece 261 milisaniyelik ortalama bir algılama gecikmesi ve %95,1'lik yürüyüş algılama doğruluğunun dondurulması elde eder. Hastalar isteğe bağlı uyarı alırken, sistemin etkinliği, yürüyüş bölümlerinin donma süresini ortalama %45 oranında azaltarak değerlendirildi. Bu öncelikli sonuçlar, hareket bozukluğu olan hastalar için yaşam kalitesini ve rehabilitasyon sonuçlarını artırmada kişiselleştirilmiş, gerçek zamanlı geri bildirim sistemlerinin potansiyelini vurgulamaktadır.

Özgün kaynak özetini okuyun

This paper presents a real-time wearable system designed to assist Parkinson's disease patients experiencing freezing of gait episodes. The system utilizes advanced machine learning models, including convolutional and recurrent neural networks, enhanced with past sample data preprocessing to achieve high accuracy, efficiency, and robustness. By continuously monitoring gait patterns, the system provides timely interventions, improving mobility and reducing the impact of freezing episodes. This paper explores the implementation of a CNN+RNN+PS machine learning model on a microcontroller-based device. The device operates at a real-time processing rate of 40 Hz and is deployed in practical settings to provide 'on demand' vibratory stimulation to patients. This paper examines the system's ability to operate with minimal latency, achieving an average detection delay of just 261 milliseconds and a freezing of gait detection accuracy of 95.1%. While patients received on-demand stimulation, the system's effectiveness was assessed by decreasing the average duration of freezing of gait episodes by 45%. These preliminarily results underscore the potential of personalized, real-time feedback systems in enhancing the quality of life and rehabilitation outcomes for patients with movement disorders.

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.