NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planPostural istikrarsızlık, Parkinson hastalığı (PD) olan kişilerde yaşam kalitesini büyük ölçüde azaltır. Postüral bozuklukların erken ve objektif olarak saptanması müdahaleleri kolaylaştırmak için çok önemlidir. Amacımız, erken ve orta evre PD'li insanları, vücut sallantılarından elde edilen spektrogram görüntülerine dayanan sağlıklı yaş uyumlu bireylerden ayırt etmek için bir evrişimsel sinir ağı (CNN) kullanmaktı. Biz vücut sallanması zaman-frekans içeriğinin PD'nin tahmin edici olması için hipotez, Hatta bozukluklar henüz klinik olarak görünür olmadığında.İdiyopatik PD ve 15 sağlıklı kontrolleri (HC) olan Metodlar18 insanlar çalışmaya katıldı. Katılımcıların basınç merkezini (COP) bir Wii Denge Kurulu ve onların tüm vücut hareketlerini bir Microsoft Kinect kullanarak takip ettik, bunun dışında kütle merkezlerinin (COM) yörüngesini hesapladık. 30 s-snippets hareket verilerini kullandık ve etiketli görüntüler olarak özel olarak oluşturulmuş bir CNN'e beslenen dalgacılığa dayalı zaman frekansı spektrogramları elde ettik. PD'li bireyler ve kontroller (n = 15 sırasıyla) arasında ağ farklılaşması için ikili sınıflandırma kullandık.ResultsClassification performansı, COM'un medio-lateral hareketi göz önüne alındığında en iyisiydi. Burada, ağımız 1.0 eğrisinin altında karakteristik bir alan işleten bir alıcı ile sırasıyla %100'lük bir tahmin doğruluğu, hassasiyet, özgüllük, hassasiyet ve F1-skoruna ulaştı. Dahası, açıklanabilir bir AI yaklaşımı, postural sallanma verilerinde her iki grup arasında en belirgin olan yüksek frekansları ortaya çıkardı.Küçük ve heterojen örneğimizi içeren bulgularımız, erken ve orta evre PD'deki postural bozuklukları tespit etmek ve hastalığın bu aşamasındaki bozuklukların ince özelliklerine dair yeni bir anlayış kazanmak için umut verici bir yaklaşım olmak için uygun maliyetli ve elverişli elde edilebilir postürografik verilere dayanan bir CNN sınıflandırıcısı önermektedir.
Özgün kaynak özetini okuyun
BackgroundPostural instability greatly reduces quality of life in people with Parkinson's disease (PD). Early and objective detection of postural impairments is crucial to facilitate interventions. Our aim was to use a convolutional neural network (CNN) to differentiate people with early to mid-stage PD from healthy age-matched individuals based on spectrogram images obtained from their body sway. We hypothesized the time-frequency content of body sway to be predictive of PD, even when impairments are not yet clinically apparent.Methods18 people with idiopathic PD and 15 healthy controls (HC) participated in the study. We tracked participants' center of pressure (COP) using a Wii Balance Board and their full-body motion using a Microsoft Kinect, out of which we calculated the trajectory of their center of mass (COM). We used 30 s-snippets of motion data from which we acquired wavelet-based time-frequency spectrograms that were fed into a custom-built CNN as labeled images. We used binary classification to have the network differentiate between individuals with PD and controls (n = 15, respectively).ResultsClassification performance was best when the medio-lateral motion of the COM was considered. Here, our network reached a predictive accuracy, sensitivity, specificity, precision and F1-score of 100%, respectively, with a receiver operating characteristic area under the curve of 1.0. Moreover, an explainable AI approach revealed high frequencies in the postural sway data to be most distinct between both groups.ConclusionHeeding our small and heterogeneous sample, our findings suggest a CNN classifier based on cost-effective and conveniently obtainable posturographic data to be a promising approach to detect postural impairments in early to mid-stage PD and to gain novel insight into the subtle characteristics of impairments at this stage of the disease.
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.