NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Denge değerlendirmesi, Parkinson hastalığı (PD) ve inme gibi nörolojik hastalıkların sağlık takibi ve rehabilitasyon değerlendirmesi için çok önemlidir. Berg Denge Ölçeği (BBS), denge değerlendirmesi için yaygın olarak kullanılan bir klinik araçtır. Bununla birlikte, öznel, zaman alıcı değerlendirmeler için eğitimli terapistlere bağımlılığı ölçeklenebilirliğini sınırlar. Mevcut araştırmacılar birkaç otomatik değerlendirme sistemi önermişlerdir. Bununla birlikte, klinik ortamlarda kullanım zorluğu ve özellik mühendisliği ihtiyacından muzdariptirler. Giyilebilir atalet ölçüm birimlerinin (IMU'lar) hızlı ilerlemesi, klinik ortamlarda kullanıma uygun hareket analizi için objektif bir araç sağlar. Bu nedenle, yürüyüş özelliklerini yakalamanın manuel puanlama ve karmaşıklıklarının sınırlamalarını ele almak için, IMU verileriyle dikkat temelli derin öğrenme algoritması kullanarak, mekansal özellik çıkarma için evrişimsel sinir ağlarını (CNN'ler) entegre ederek, zamansal modelleme için çift yönlü uzun kısa süreli bellek (Bi-LSTM) ağları ve bilgilendirici özellikleri vurgulamak için dikkat mekanizmaları kullanarak otomatik bir BBS değerlendirme sistemi önerdik. 20 sağlıklı denek (genç ve yaşlı) ve 20 hasta (PD ve inme) ile doğrulanan sistem, 1.1627 ortalama mutlak hata (MAE) ve 1.5333 kök ortalama kare hata (RMSE) elde etti. Yürüyen verinin sadece 5 dakikasını gerektiren bu yaklaşım, sağlık hekimlerine ve hastaların kendi sağlık izlemelerinde yardımcı olmak için denge değerlendirmesi için verimli, objektif bir çözüm sağladı. Anahtar sınırlamalar şunları içeriyordu: Bağımsız olarak yürüyemeyen ciddi derecede bozulmuş hastalara sınırlı bir genellenebilirlik ve bireysel görevlerin puanını tahmin edememe.
Özgün kaynak özetini okuyun
Balance assessment is crucial for health monitoring and rehabilitation evaluation of neurological diseases like Parkinson's disease (PD) and stroke. The Berg Balance Scale (BBS) is a widely used clinical tool for balance evaluation. However, its dependence on trained therapists for subjective, time-consuming assessments limits its scalability. Current researchers have proposed several automated assessment systems. However, they suffer from difficulty in use in clinical settings and the need for feature engineering. The rapid advancement of wearable inertial measurement units (IMUs) provides an objective tool for motion analysis that is suitable for use in clinical environments. Thus, to address the limitations of manual scoring and complexities of capturing gait features, we proposed an automated BBS assessment system using an attention-based deep learning algorithm with IMU data, integrating convolutional neural networks (CNNs) for spatial feature extraction, bidirectional long short-term memory (Bi-LSTM) networks for temporal modeling, and attention mechanisms to emphasize informative features. Validated with 20 healthy subjects (young and elderly) and 20 patients (PD and stroke), the system achieved a mean absolute error (MAE) of 1.1627 and root mean squared error (RMSE) of 1.5333. Requiring only 5 min of walking data, this approach provided an efficient, objective solution for balance assessment to assist healthcare physicians as well as patients in their own health monitoring. The key limitations included: a limited generalizability to severely impaired patients who were unable to walk independently, and the inability to predict the score of individual tasks.
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.