NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Gait'in dondurulması (FOG), Parkinson hastalığı (PD) hastalarında yürüyüş disfonksiyonuna katkıda bulunan önemli bir semptomdur. FOG şiddetini değerlendirmek için mevcut yöntemlerin çoğu, çıkarılan yürüyüş özelliklerinin yorumlanabilirliğini gözden kaçırmaktadır. Bu çalışmada, kinematik, kinetik ve spatiyotemporal modaliteler de dahil olmak üzere zengin fiziksel öneme sahip multimodal yürüyüş özelliği veri seti tasarlıyoruz. Ayrıca FOG şiddetini doğru bir şekilde ölçmek için grafik tabanlı multimodal füzyon çerçevesi (GMFF) önermekteyiz. GMFF, modaliteye özgü özellikleri çıkarmak için grafik dikkat mekanizmasını kullanır ve özellik füzyon modülünün çekirdeği olarak genelleştirilmiş kanonik korelasyon analizi (GCCA) algoritmasını kullanır. Sıfır enflasyon probleminin GMFF'nin performansı üzerindeki etkisini gidermek için çift tekerlekli çıkış modülü sağlıyoruz. GMFF'nin performansını halka açık bir PD yürüyüş veritabanında beş kat çapraz doğrulama kullanarak değerlendiriyoruz. Sonuçlar, GMFF'nin FOG'lu hastaların tanımlanmasında 0.978 doğruluk ve FOG şiddetinin nicelenmesinde 0.449'luk bir kök ortalama kare hatası elde ettiğini göstermektedir. GMFF'nin yorumlanabilirliğini kullanarak, PD hastalarının yürüyüş kalıplarını etkili bir şekilde karakterize eden yürüyüş özelliği setini tanımlıyoruz ve daha sonra FOG semptomlarının hem "ON" hem de "OFF" ilaç durumları altındaki yürüme yetenekleri üzerindeki etkisini araştırıyoruz. Bu nedenle, bu çalışma PD hastalarının klinik izleme ve yönetimi hakkında değerli bilgiler sağlama potansiyeline sahiptir.
Özgün kaynak özetini okuyun
Freezing of Gait (FOG) is a significant symptom contributing to gait dysfunction in Parkinson's disease (PD) patients. Most current methods for assessing FOG severity often overlook the interpretability of the extracted gait features. In this study, we design a multimodal gait feature dataset with rich physical significance, including kinematics, kinetics, and spatiotemporal modalities. We also propose a graph-based multimodal fusion framework (GMFF) to accurately quantify FOG severity. GMFF employs the graph attention mechanism to extract modality-specific features and utilizes the generalized canonical correlation analysis (GCCA) algorithm as the core of the feature fusion module. We provide the double-hurdle output module to address the impact of the zero-inflation problem on the performance of GMFF. We evaluate the performance of GMFF on a public PD gait database using five-fold cross-validation. The results demonstrate that GMFF achieves an accuracy of 0.978 in identifying patients with FOG and a root mean square error of 0.449 in quantifying FOG severity. Using the interpretability of GMFF, we identify the gait feature set that effectively characterizes the gait patterns of PD patients and then explore the impact of FOG symptoms on their walking ability under both the "ON" and "OFF" medication states. Thus, this study has the potential to provide valuable insights into the clinical monitoring and management of PD patients.
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.