NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı titremesinin (PDT) doğru tahmini, yardımcı teknolojiler geliştirmek için çok önemlidir; Bununla birlikte, bu, hastalar ve faaliyetleri arasında önemli ölçüde değişen PDT'nin doğrusal olmayan, stokastik ve durağan olmayan özellikleri nedeniyle zordur. Dahası, çoğu modelin yalnızca tek adımlı tahmin yetenekleri vardır, bu da gerçek zamanlı uygulamalarda gecikmelere neden olur. Bu makale, farklı aktivitelerden ve ortak açısal hareketlerden elde kol PDT sinyallerinin gerçek zamanlı tahmini için kendi kendine dikkat eden derin zamansal konvüsyonel ağ (SADTCN) modelini önermektedir. SADTCN, PDT sinyallerinin hem kısa hem de uzun vadeli bağımlılıklarını ve karmaşık zamansal ve mekansal dinamiklerini yakalayabilir ve bu nedenle değişen titreme özelliklerine etkili bir şekilde uyum sağlayabilir. Önerilen modelin performansı deneysel el kolu PDT verileri kullanılarak değerlendirilir. Sonuçlar, SADTCN'nin mevcut derin öğrenme (DL) modellerini, değişen titreme genliklerini ve frekanslarını çok adım ileri doğru doğru tahmin ederek daha iyi performans gösterdiğini göstermektedir. Ayrıca, kısa süreli Fourier dönüşümü (STFT) kullanarak ölçülen ve tahmin edilen sinyal üzerinde spektrum analizi yaptık ve SADTCN'nin frekans ve zamandaki titreme genliğinin transience'ini doğru bir şekilde belirleyebileceğini bulduk. Son olarak, Wilcoxon imzalı istatistik testini çalıştırıyoruz ve sonuçlar önerilen modelde her koşulda diğer DL modellerine göre istatistiksel olarak önemli bir iyileşme olduğunu gösteriyor. Bu nedenle, SADTCN, PDT'nin nonstationary, nonlinear ve stokastik doğasını aşarak, görünmeyen test verilerinde yüksek doğruluk, sağlamlık ve genellenebilirlik ile çok aşamalı tahmin yapabilir.
Özgün kaynak özetini okuyun
Accurate prediction of Parkinson's disease tremor (PDT) is crucial for developing assistive technologies; however, this is challenging due to the nonlinear, stochastic, and nonstationary characteristics of PDT, which substantially vary among patients and their activities. Moreover, most models only have one-step prediction capabilities, which causes delays in real-time applications. This paper proposes a self-attention deep temporal convolutional network (SADTCN) model for the real-time prediction of hand-arm PDT signals from different activities and joint angular motions. The SADTCN can capture both short- and long-term dependencies and complex temporal and spatial dynamics of PDT signals and hence, can effectively adapt to varying tremor characteristics. The performance of the proposed model is evaluated using experimental hand-arm PDT data. The results show that the SADTCN outperforms existing deep learning (DL) models by accurately predicting varying tremor amplitudes and frequencies multi-step ahead. Moreover, we performed spectrum analysis on the measured and predicted signal using the short-time Fourier transform (STFT) as a measure of potential active tremor control and found that SADTCN can accurately determine the transience of tremor amplitude in frequency and time. Finally, we run the Wilcoxon signed-rank statistical test and the results show a statistically significant improvement in the proposed model over the other DL models in all conditions. Therefore, the SADTCN can overcome the nonstationary, nonlinear, and stochastic nature of PDT to perform multi-step prediction with high accuracy, robustness, and generalizability in unseen testing data.
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.