NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
GirişParkinson hastalığı (PD), kas sertliği, bradikinezi ve denge bozuklukları ile karakterizedir ve etkilenen hastalar için yaşam kalitesini önemli ölçüde bozar. Hareket poz tahmini ve yürüyüş analizi erken tanı ve zamanında müdahalede yardımcı olabilirken, klinik uygulama şu anda yürüyüş analizi için objektif ve doğru araçlardan yoksundur.MetodlarBu çalışma, PD hastaları için çok seviyeli bir 3D poz tahmini çerçevesi önermektedir, tekküler videoyu Transformer ve Graph Convolutional Network (GCN) teknikleri ile bütünleştirir. Gait temporal ve uzamsal parametreler 59 sağlıklı yaşlı ve PD hastaları için çıkarıldı ve doğrulandı ve PD hastaları için erken bir tahmin modeli kuruldu.SonuçlarGiit parametrelerinin tekrarlanabilirliği güçlü tutarlılık gösterdi, tahmin edilen parametrelerin çoğu bir Intraclass Korelasyon Katsayısı (ICC) 0,70'ten daha fazla verdi. Ayrıca, bu parametreler VICON ve ATMI sonuçları ile yüksek korelasyon gösterdi (r> 0.80). Çıkarılan parametre özelliklerine dayanan sınıflandırma modeli, Rastgele Orman (RF) sınıflandırıcısı kullanılarak,% 93.3'lük bir doğruluk elde etti.BuluşmaÖnerilen 3D poz tahmini yöntemi, PD'nin erken tahmini için güçlü bir potansiyele sahip, doğru 3D insan poz parametrelerinin sağlanmasında yüksek güvenilirlik ve etkinlik göstermektedir.ÖnemlilikBu işaretsiz yöntem, düşük maliyet, taşınabilirlik ve kullanım kolaylığı açısından önemli avantajlar sunar, klinik ortamlarda PD'nin izlenmesi ve taranılması için umut verici bir araç olarak konumlandırır.
Özgün kaynak özetini okuyun
IntroductionParkinson's disease (PD) is characterized by muscle stiffness, bradykinesia, and balance disorders, significantly impairing the quality of life for affected patients. While motion pose estimation and gait analysis can aid in early diagnosis and timely intervention, clinical practice currently lacks objective and accurate tools for gait analysis.MethodsThis study proposes a multi-level 3D pose estimation framework for PD patients, integrating monocular video with Transformer and Graph Convolutional Network (GCN) techniques. Gait temporal and spatial parameters were extracted and verified for 59 healthy elderly and PD patients, and an early prediction model for PD patients was established.ResultsThe repeatability of the gait parameters showed strong consistency, with most of the estimated parameters yielding an Intraclass Correlation Coefficient (ICC) greater than 0.70. Furthermore, these parameters exhibited a high correlation with VICON and ATMI results (r > 0.80). The classification model based on the extracted parameter features, using a Random Forest (RF) classifier, achieved an accuracy of 93.3%.ConclusionThe proposed 3D pose estimation method demonstrates high reliability and effectiveness in providing accurate 3D human pose parameters, with strong potential for early prediction of PD.SignificanceThis markerless method offers significant advantages in terms of low cost, portability, and ease of use, positioning it as a promising tool for monitoring and screening PD patients in clinical settings.
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.