NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FOG), parkinson hastalığı (PD) olan kişilerin yere yapıştırılmış gibi hissettikleri bir motor semptomdur. FOG bölümlerini önlemek veya kısaltmak için etkili ipuçları için doğru ve sürekli tespit gereklidir. Yarı serbest yaşam koşulları altında PD hastasının ayak bileğindeki atalet ölçüm ünitesinden (IMU) kaydedilen verilerdeki FOG bölümlerini tespit etmek için bir konvolutional sinir ağı (CNN) geliştirilmiştir. Veriler iki sete ayrıldı: biri tüm hareketlerle, diğeri ise FOG tespiti ile ilgili yürüyüş ve dönüş faaliyetleriyle. CNN modeli, beş kat çapraz doğrulama (5Fold-CV), bırak-bir-özne-çıkış çapraz doğrulama (LOSO-CV) ve doğruluk, hassasiyet, hassaslık, F1-score ve AUROC gibi performans ölçümleri kullanılarak değerlendirildi; 24 PD katılımcısından gelen veriler, üçü FOG bölümü olmayanlar hariç toplandı. Yürüme ve dönme faaliyetleri için CNN modeli, 5Fold-CV için AUROC = 0.9596 ve LOSO-CV için AUROC = 0.9275 elde etti. Tüm faaliyetler dahil edildiğinde, AUROC 5Fold-CV için 0.8888 ve LOSO-CV için 0.9017'ye düştü; Model, ilgili hareket senaryolarında FOG'yu etkili bir şekilde tespit etti, ancak FOG'yu yarı özgür yaşam ortamlarında oturma ve ayakta durma gibi diğer inaktif devletlerden ayırt etme konusunda mücadele etti.
Özgün kaynak özetini okuyun
Freezing of gait (FOG) is a motor symptom experienced by people with Parkinson's Disease (PD) where they feel like they are glued to the floor. Accurate and continuous detection is needed for effective cueing to prevent or shorten FOG episodes. A convolutional neural network (CNN) was developed to detect FOG episodes in data recorded from an inertial measurement unit (IMU) on a PD patient's ankle under semi-free living conditions. Data were split into two sets: one with all movements and another with walking and turning activities relevant to FOG detection. The CNN model was evaluated using five-fold cross-validation (5Fold-CV), leave-one-subject-out cross-validation (LOSO-CV), and performance metrics such as accuracy, sensitivity, precision, F1-score, and AUROC; Data from 24 PD participants were collected, excluding three with no FOG episodes. For walking and turning activities, the CNN model achieved AUROC = 0.9596 for 5Fold-CV and AUROC = 0.9275 for LOSO-CV. When all activities were included, AUROC dropped to 0.8888 for 5Fold-CV and 0.9017 for LOSO-CV; the model effectively detected FOG in relevant movement scenarios but struggled with distinguishing FOG from other inactive states like sitting and standing in semi-free-living environments.
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.