NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Gait anormallik tespiti, klinik sağlık incelemelerinden ev sağlığı izlemesine kadar etki alanlarındaki potansiyeli nedeniyle makine öğrenimine dayalı sağlık değerlendirmesinde büyüyen bir uygulamadır. Bu son uygulama, özellikle yaşlı yetişkinler için, yürüyüşteki değişikliklerle, yani düşmeye bağlı yaralanmalar veya Parkinson hastalığı gibi yaşa bağlı dejeneratif hastalıklarla gösterilebilecek sağlık sorunları yaşama olasılığı daha yüksektir. Makine öğrenimi modelleriyle ilgili, donma-boşluktan düşmeye kadar her şeyi tespit etmek için çok sayıda araştırma olsa da, bu çalışmanın çoğu klinik değerlendirme ayarlarına ve geniş veriye sahip büyük modellere dayanıyor ve bu tür teknolojilerin yaşlı yetişkinlerin bağımsızlığını ve sağlığını korumak için büyük fayda sağlayabileceği ev içi uygulamalarda birçok gelişmeyi kullanılamaz hale getiriyor. Literatürdeki bu boşluğu ele almak için WeightGait adlı yeni bir 15 kişilik sentetik yürüyüş anormallik veri seti ve daha küçük modellerin fizibilitesini göstermek için hafif bir ST-GCN modeli sunuyoruz. daha düşük hesaplama maliyetleri ile bir ortamda yürüyüş anormallikleri tespit etmek için daha çok ev ortamında bulunan koşullara benzer. WeightGait veri kümesindeki yürüyüş anormalliklerinin tanımlanması görevi için, bu yöntem, karşılaştırılabilir yürüyüş değerlendirme yöntemlerinde %94,4 doğruluk, %4.9 ile %15,41 arasında bir iyileşme sağlar.
Özgün kaynak özetini okuyun
Gait abnormality detection is a growing application in machine learning based health assessment due to its potential in domains from clinical health reviews to at home health monitoring. This latter application is of particular use for older adults, who are more likely to experience health issues that can be indicated by changes in gait, namely through fall-related injuries or age-related degenerative diseases like Parkinson's disease. While there exists a great deal of research concerning machine learning models for detecting everything from freezing-of-gait to falls, much of this work relies on clinical assessment settings and large models with extensive data, making many developments unusable in at-home applications where such technology could be used to great benefit in maintaining the independence and health of older adults. To address this gap in the literature, we introduce a new 15-person synthetic gait abnormality dataset named WeightGait and a lightweight ST-GCN model to demonstrate the feasibility of smaller models with lower computational costs in detecting gait abnormalities in an environment more analogous to the conditions found in an at-home setting. For the task of identifying gait abnormalities in the WeightGait dataset, this method achieves 94.4 % accuracy, an improvement of between 4.9 % and 15.41 % on comparable gait assessment methods.
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.