NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının insidansında (PD) yıllık artış, etkili tespit yöntemleri ve cihazları için kritik ihtiyacı vurgulamaktadır. Kamera sensörlerine dayanan Gait video özellikleri, PD için çok önemli bir biyobelirteç olarak, taşınabilir cihazların geliştirilmesi için algılama ve vaat gösterme için çok uygundur. Sonuç olarak, Savitzky-Golay (SG) filtreleme ve sürgülü pencere tepesi seçim fonksiyonuna dayanan tek adımlı bir segmentasyon yöntemi geliştirdik ve Mamba-2 ve Self-Attention Network (CMSA-Net) ile Cross-Attention Fusion yaptık. Ek olarak, füzyon sürecini daha da geliştirmek için Maximum Mean Discrepancy (MMD) tabanlı bir kayıp fonksiyonu tanıttık. Yöntemimizi, bir hastane ile işbirliği içinde topladığımız, 304 sağlıklı kontrol (HC) örneği ve 84 PD örneğinden oluşan, 89.10% ve 81.11% F1 puanlık bir doğruluk elde ederek diğer yöntemlere kıyasla en iyi tespit performansını elde eden çift görüşlü yürüyüş video veri seti üzerinde değerlendirdik. Bu metodolojilere dayanarak, basit ve kullanıcı dostu bir taşınabilir PD algılama cihazı tasarladık. Cihaz, tek görüş, çift görüş ve önceki bilgi düzeltme dahil olmak üzere çeşitli çalışma modları ile donatılmıştır; bu da konut ve yaşlı bakım ayarları gibi çeşitli ortamlara uyum sağlamasını sağlar ve böylece güçlü pratik uygulanabilirlik gösterir.
Özgün kaynak özetini okuyun
The annual increase in the incidence of Parkinson's disease (PD) underscores the critical need for effective detection methods and devices. Gait video features based on camera sensors, as a crucial biomarker for PD, are well-suited for detection and show promise for the development of portable devices. Consequently, we developed a single-step segmentation method based on Savitzky-Golay (SG) filtering and a sliding window peak selection function, along with a Cross-Attention Fusion with Mamba-2 and Self-Attention Network (CMSA-Net). Additionally, we introduced a loss function based on Maximum Mean Discrepancy (MMD) to further enhance the fusion process. We evaluated our method on a dual-view gait video dataset that we collected in collaboration with a hospital, comprising 304 healthy control (HC) samples and 84 PD samples, achieving an accuracy of 89.10% and an F1-score of 81.11%, thereby attaining the best detection performance compared with other methods. Based on these methodologies, we designed a simple and user-friendly portable PD detection device. The device is equipped with various operating modes-including single-view, dual-view, and prior information correction-which enable it to adapt to diverse environments, such as residential and elder care settings, thereby demonstrating strong practical applicability.
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.