NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
IntrodcutionParkinson Hastalığı (PD), öncelikle motor işlevini etkileyen ve dünya çapında yaşlı yetişkinler arasında yaygın olan ilerici bir nörodejeneratif bozukluktur. Gait performansının (hız, adım, adım ve benzeri gibi) tanı, tedavi ve rehabilitasyonda önemli bir rol oynadığı gösterilmiştir. Neyse ki, bilgisayar bilimindeki gelişmeler, yürüyüşle ilgili parametreleri hesaplamak için seri yollar sağlayarak, geleneksel olarak eğitimli profesyoneller tarafından güvenilen karmaşık ve çoğu zaman kesin olmayan değerlendirmelere daha doğru bir alternatif sunuyor. Ancak, mevcut yöntemlerin çoğu veri ön işleme ve özellik mühendisliğine bağlıdır, genellikle alan bilgisi ve zahmetli insan katılımı gerektirir ve yeni görevlerle uğraşırken ek manuel ayarlamalar gerektirir.MetodlarModelin veri ön işleme, özellik mühendisliği ve geçiş kurallarına olan bağımlılığını azaltmak için, Mekansal-Temporal Graph Convolutional Networks (ST-GCN) modelini kullandık. Ayrıca tam bir yürüyüş döngüsü içinde beş ayrı durum tanımladık: durma (S), sol salıncak (L), çift destek (D), sağ salıncak (R) ve dönüş (T). ST-GCN'yi kullanarak, bu beş eyaletten doğrudan veriden uzaysal ve zamansal desenler çıkardık, böylece yürüyüş parametresi hesaplamasının doğruluğunu artırdık. Dahası, ST-GCN modelinin yorumlanabilirliğini artırmak ve klinik alaka düzeyini artırmak için, modeli hem sağlıklı bireylerden hem de PD hastalarından gelen veriler üzerinde eğittik. Bu, modelin parametrelerinin (farklı ST-GCN Katmanları) klinisyenlere anlayışta nasıl yardımcı olabileceğini keşfetmemizi sağladı.SonuçlarBu makaledeki modeli değerlendirmek için kullanılan veri kümesi, 65 PD katılımcısı ve 77 sağlıklı kontrol katılımcısından hareket verilerini içerir. 5 sınıflayıcıdan elde edilen sınıflandırma sonuçlarıyla ilgili olarak ST-GCN, hem Transformer tabanlı hem de LSTM tabanlı yöntemlerin performansını artırarak, ortalama bir hassasiyet, geri çağırma ve F1-skorunu %93.48, %93.21 ve %93.32 olarak elde etti. ST-GCN'nin çeşitli katmanlarından eklem ve kenar ağırlıklarını göstermek, özellikle sağlıklı bireylerden ve PD hastalarından gelen verileri karşılaştırırken, modelin fizibilitesini arttırır ve daha fazla yorumlanabilirlik sunar. Bu yaklaşım, tamamen kara kutu modeline güvenmekten daha bilgilendiricidir.ConclusionBu çalışma, ST-GCN yaklaşımının, PD'li hastalar için teşhis ve makul rehabilitasyon planları yapmada tıbbi profesyonellere yardımcı olarak, doğru yürüyüş parametre değerlendirmesini etkili bir şekilde destekleyebileceğini göstermiştir.
Özgün kaynak özetini okuyun
IntrodcutionParkinson's Disease (PD) is a progressive neurodegenerative disorder that primarily impacts motor function and is prevalent among older adults worldwide. Gait performance (such as speed, stride, step, and so on) has been shown to play a significant role in diagnosis, treatment, and rehabilitation. Fortunately, advancements in computer science have provided serial ways to calculate gait-related parameters, offering a more accurate alternative to the complex and often imprecise assessments traditionally relied upon by trained professionals. However, most of the current methods depend on data preprocessing and feature engineering, often require domain knowledge and laborious human involvement, and require additional manual adjustments when dealing with new tasks.MethodsTo reduce the model's reliance on data preprocessing, feature engineering, and traversal rules, we employed the Spatial-Temporal Graph Convolutional Networks (ST-GCN) model. We also defined five distinct states within a complete gait cycle: standstill (S), left swing (L), double support (D), right swing (R), and turnaround (T). Using ST-GCN, we extracted spatial and temporal patterns from these five states directly from the data, thereby enhancing the accuracy of gait parameter calculation. Furthermore, to improve the interpretability of the ST-GCN model and increase its clinical relevance, we trained the model on data from both healthy individuals and PD patients. This allowed us to explore how the model's parameters (different ST-GCN Layers) could assist clinicians in understanding.ResultsThe dataset used to evaluate the model in this paper includes motion data from 65 PD participants and 77 healthy control participants. Regarding the classification results from the 5 classifiers, ST-GCN achieved an average precision, recall, and F1-score of 93.48%, 93.21%, and 93.32%, outperforming both the Transformer-based and LSTM-based methods. Displaying the joints and edge weights from various layers of the ST-GCN, particularly when comparing data from healthy individuals and PD patients, enhances the model's feasibility and offers greater interpretability. This approach is more informative than relying on a purely black-box model.ConclusionThis study demonstrated that the ST-GCN approach can effectively support accurate gait parameter assessment, assisting medical professionals in making diagnoses and reasonable rehabilitation plans for patients with PD.
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.