NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Patolojik titreme, özellikle esansiyel titreme ve Parkinson hastalığı gibi durumlarda günlük aktiviteleri ve yaşam kalitesini önemli ölçüde bozar. Titremenin değerlendirilmesi ve değerlendirilmesi, ilaç dozajlarıyla birlikte evrimi ile birlikte, zorlu bir sorun oluşturmaktadır. Mevcut klinik değerlendirme yöntemleri hasta performansı, değişkenlik ve değerlendiricinin öznelliği ile sınırlandırılmıştır. Günlük yaşam ortamlarında sürekli izlemenin tanıtılması, titreme olaylarını belirli etkinliklerle ilişkilendirerek içgörüler sunabilir. Bununla birlikte, günlük yaşamın faaliyetlerini sınıflandırmaya yönelik mevcut çalışmalar ya titreme hastalarını dışlar ya da performans modellemesi için sabit boyutlu pencerelere güvenir. Bu yaklaşımlar genellikle, en uygun boyutlandırma konusunda net bir fikir birliği olmadan geçmiş başarılı vakalara dayanan pencere boyutlarını benimser. Bu çalışma ADL'leri sınıflandırmak için tek bir akıllı saat kullanan yeni bir yöntem önermektedir. Zaman serisi verilerini çeşitli pencereleme teknikleri ile işleyerek ve makine öğrenme modelleri uygulayarak (Destek Vektör Makineleri, Rastgele Orman ve Aşırı Gradient Boost) titreme izlemesini geliştirmeyi amaçlıyoruz. Bu yaklaşım daha kapsamlı ve objektif bir değerlendirme sunar, potansiyel olarak tedavi stratejilerini geliştirir. Önerilen modellerin tanımlama yeteneklerini değerlendirmek için doğruluk, hassasiyet, geri çağırma ve F1-skor istatistiklerini içeren değerlendirme ölçümleri kullanılır. Sonuçlarımız, etkinlik tanımada önemli iyileştirmeler göstererek, özellik çıkarma ve ADL sınıflandırması için entegre zaman uzunluğu pencerelerinin etkinliğini vurgulamaktadır.
Özgün kaynak özetini okuyun
Pathological tremor significantly impairs daily activities and quality of life, particularly in conditions such as essential tremor and Parkinson's disease. The assessment and evaluation of tremor, along with its evolution with medication dosages, pose a challenging problem. Current clinical evaluation methods are constrained by patient performance, variability, and evaluator's subjectivity. Introducing continuous monitoring in everyday life settings could offer insights by linking tremor occurrences with specific activities. However, existing studies on classifying activities of daily living either exclude tremor patients or rely on fixed-size windows for performance modelling. These approaches often adopt window sizes based on past successful cases without clear consensus on optimal sizing. This study proposes a novel method using a single smartwatch to classify ADLs. By processing time series data with various windowing techniques and applying machine learning models (Support Vector Machines, Random Forest, and Extreme Gradient Boosting), we aim to improve tremor monitoring. This approach offers a more comprehensive and objective evaluation, potentially enhancing treatment strategies. Evaluation metrics including accuracy, precision, recall and F1-score statistics are used to assess the identification abilities of the proposed models. Our results demonstrate significant improvements in activity recognition, highlighting the effectiveness of integrated time-length windows for feature extraction and ADL classification.
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.