NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), daha hedefli tedavi için sürekli semptom izleme gerektiren, sık sık değişen motor semptomlarla karakterize bir nörodejeneratif durumdur. Klasik zaman serileri sınıflandırması ve derin öğrenme teknikleri, karmaşık PD hareket kalıpları ve mevcut veri kümelerinin küçük boyutu nedeniyle giyilebilir ivmeölçer verileri kullanılarak PD semptomlarının izlenmesinde sınırlı etkinlik göstermiştir. InceptionTime ve RandOm Convolutional KErnel Transform (ROCKET)'ı PD semptom izleme için umut verici oldukları için araştırıyoruz. InceptionTime'ın yüksek öğrenme kapasitesi karmaşık hareket kalıplarını modellemeye uygunken, ROCKET küçük veri kümelerine uygundur. Rastgele arama metodolojisi ile, en yüksek puan alan InceptionTime mimarisini tanımlıyoruz ve performansını PD hastalarından gelen bilek hareketi verileri üzerinde bir sırt sınıflandırıcısı ve çok katmanlı bir algılayıcı ile ROCKET ile karşılaştırıyoruz. Bulgularımız, tüm yaklaşımların sarsıntı şiddeti ve bradikinezi varlığını ılımlı performansla tahmin etmeyi öğrenebileceğini, ancak diskinezi tespitinde zorluklarla karşılaşabileceğini göstermektedir. Sunulan yaklaşımlar arasında ROCKET diskineziyi tanımlamada daha yüksek puanlar gösterirken, InceptionTime titreme ve bradykinezi tahminlerinde biraz daha iyi performans gösterir. Özellikle, her iki yöntem de çok katmanlı algılayıcıdan daha iyi performans gösterir. Sonuç olarak, InceptionTime karmaşık bilek hareket süresi serisini sınıflandırabilir ve daha ileri gelişme ile PD'de sürekli semptom izleme potansiyeli taşır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative condition characterized by frequently changing motor symptoms, necessitating continuous symptom monitoring for more targeted treatment. Classical time series classification and deep learning techniques have demonstrated limited efficacy in monitoring PD symptoms using wearable accelerometer data due to complex PD movement patterns and the small size of available datasets. We investigate InceptionTime and RandOm Convolutional KErnel Transform (ROCKET) as they are promising for PD symptom monitoring. InceptionTime's high learning capacity is well-suited to modeling complex movement patterns, while ROCKET is suited to small datasets. With random search methodology, we identify the highest-scoring InceptionTime architecture and compare its performance to ROCKET with a ridge classifier and a multi-layer perceptron on wrist motion data from PD patients. Our findings indicate that all approaches can learn to estimate tremor severity and bradykinesia presence with moderate performance but encounter challenges in detecting dyskinesia. Among the presented approaches, ROCKET demonstrates higher scores in identifying dyskinesia, whereas InceptionTime exhibits slightly better performance in tremor and bradykinesia estimation. Notably, both methods outperform the multi-layer perceptron. In conclusion, InceptionTime can classify complex wrist motion time series and holds potential for continuous symptom monitoring in PD with further development.
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.