NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FOG), yürüme niyetine rağmen bacakların ileri hareketinde bir eksiklik veya azalma ile karakterize Parkinson hastalığının (PD) zayıflatıcı bir belirtisidir. Serbest yaşam koşulları sırasında FOG'yu tespit etmek, özellikle yalnızca ataletsel ölçüm birimi (IMU) verilerini kullanırken, ileri hareketi azaltan gönüllü durdurma olaylarından ayırt edilmesi gerektiği için önemli zorluklar sunar. Stres ve anksiyeteden kaynaklanan etkiler, galvanik cilt tepkisi (GSR) ve elektrokardiyogram (ECG) ile ölçülebilir, FOG'yu normal yürüyüş ve durmadan ayırmaya yardımcı olabilir. Bununla birlikte, hiçbir çalışma FOG tespiti için IMU, GSR ve EKG'nin füzyonunu araştırmamıştır. Bu nedenle, bu çalışma iki yöntem ortaya koydu: ilk olarak IMU verileri ile bir Transformer tabanlı model kullanarak azaltılmış ileri hareket segmentlerini tanımlayan iki aşamalı bir yaklaşım, ardından bu segmentleri FOG olarak sınıflandıran veya IMU, GSR ve EKG özelliklerini kullanmayı bırakan bir XGBoost modeli; ve FOG'yu doğrudan sınıflandırmak ve IMU, GSR ve EKG verilerinden segmentleri durdurmak için çok aşamalı bir zamansal konvolüsyonel ağ kullanan uçtan uca bir yaklaşım. Sonuçlar, tüm veri modaliteleri ile iki aşamalı yaklaşımın ortalama F1 puanı 0.728 ve F1@50 0.725'e ulaşırken, uçtan uca yaklaşımın sırasıyla 0.771 ve 0.759 puan aldığını gösterdi. Bununla birlikte, her iki yaklaşımda sadece IMU verilerinin kullanılmasıyla karşılaştırıldığında önemli bir fark bulunmadı (p-değerleri: 0.466 ila 0.887). Sonuç olarak, fizyolojik verilerin eklenmesi, FOG ile durdurma arasındaki ayrımda istatistiksel olarak önemli bir fayda sağlamamıştır. Kısıtlamalar, GSR ve EKG verilerine özgü olabilir ve diğer fizyolojik modalitelere genelleme yapmayabilir.
Özgün kaynak özetini okuyun
Freezing of gait (FOG) is a debilitating symptom of Parkinson's disease (PD), characterized by an absence or reduction in forward movement of the legs despite the intention to walk. Detecting FOG during free-living conditions presents significant challenges, particularly when using only inertial measurement unit (IMU) data, as it must be distinguished from voluntary stopping events that also feature reduced forward movement. Influences from stress and anxiety, measurable through galvanic skin response (GSR) and electrocardiogram (ECG), may assist in distinguishing FOG from normal gait and stopping. However, no study has investigated the fusion of IMU, GSR, and ECG for FOG detection. Therefore, this study introduced two methods: a two-step approach that first identified reduced forward movement segments using a Transformer-based model with IMU data, followed by an XGBoost model classifying these segments as FOG or stopping using IMU, GSR, and ECG features; and an end-to-end approach employing a multi-stage temporal convolutional network to directly classify FOG and stopping segments from IMU, GSR, and ECG data. Results showed that the two-step approach with all data modalities achieved an average F1 score of 0.728 and F1@50 of 0.725, while the end-to-end approach scored 0.771 and 0.759, respectively. However, no significant difference was found compared to using only IMU data in both approaches (p-values: 0.466 to 0.887). In conclusion, adding physiological data did not provide a statistically significant benefit in distinguishing between FOG and stopping. The limitations may be specific to GSR and ECG data, and may not generalize to other physiological modalities.
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.