NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Hareket Bozukluğu Derneği'nin Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (MDS-UPDRS) kullanılarak Parkinson hastalığındaki (PD) yürüyüş bozukluğunun ciddiyetini değerlendirmek tipik olarak klinik uzmanlar tarafından gerçekleştirilir, ancak bu süreç zaman alıcı, öznel ve maliyetlidir. Bu zorlukların üstesinden gelmek için, PD yürüyüşünün altta yatan dağılımını öğrenerek ve klinik değerlendirmeler için kritik alan bilgisinden yararlanarak, sadece kodlayıcıya dayalı bir transformatöre sahip bir Rehberli Difüzyon Modeli sunuyoruz. Difüzyon modelimiz, uzmanların hastalık şiddetini değerlendirmek için belirlediği klinik özelliklere şartlandırılmış sentetik PD yürüyüş video çerçeveleri üretmemizi sağlar. Bu sentetik örnekler, gözlemlenen verilerde bulunmayan yeni hareket kalıpları içerir; Bu bilgiler üzerinde eğitilmiş sistemler daha iyi tahmin performansına sahiptir. Ek olarak, PD şiddetini doğru bir şekilde değerlendirmek için hem gözlemlenen eğitim verilerinden hem de sentetik örneklerden bir tahmin modeli öğrenebilecek yeni bir sınıflandırma algoritması önermekteyiz. Önerilen yöntemin etkinliğini iki görev arasında iki insan hareket veri kümesi kullanarak değerlendiriyoruz: PD ciddiyet tahmini ve eylem sınıflandırması. PD'yi tahmin etme yaklaşımımız ve eylem sınıflandırmamız, benzer görevleri yerine getiren sağlıklı deneklerle genel uygulamalara uygulanabileceği kadar doğrudur. Tam kod tabanı GitHub'da mevcuttur: https://github.com/arshakRz/DiffuseGaitNet.
Özgün kaynak özetini okuyun
Assessing the severity of gait impairment in Parkinson's disease (PD) using the Movement Disorder Society's Unified Parkinson's Disease Rating Scale (MDS-UPDRS) is typically performed by clinical experts, but this process is time-consuming, subjective, and costly. To address these challenges, we propose a Guided Diffusion Model with an encoder-only transformer that automatically predicts gait severity by learning the underlying distribution of PD gait and leveraging domain knowledge critical for clinical evaluations. Our diffusion model enables us to generate synthetic PD gait video frames conditioned on clinical features determined by experts to assess disease severity. These synthetic samples contain novel movement patterns not present in the observed data; systems trained on this information have better prediction performance. In addition, we propose a novel classification algorithm that can learn a predictive model, from both observed training data and synthetic samples, to accurately assess PD severity. We evaluate the effectiveness of the proposed method using two human motion datasets across two tasks: PD severity prediction and action classification. Our approach in predicting PD, and our action classification is sufficiently accurate that it can be applied to general applications with healthy subjects performing similar tasks. The full codebase is available on GitHub: https://github.com/arshakRz/DiffuseGaitNet.
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.