Analysis of Freezing of Gait in Parkinson's Disease Detection Using a Multimodal Prototype Learning Framework.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Şiddetli Parkinson hastalığı (PD) olan hastalar genellikle yürüyüş engeli olan yürüyüş (FOG) dondururlar. FOG oluşmadan önce tahmin ederek, önleyici ipucu FOG'u önleyebilir veya şiddetini ve süresini azaltabilir. FOG tespitinin doğruluğunu artırmak için, hem elektroensefalografi (EEG) verileri hem de yürüyüş tabanlı veriler gibi diğer tamamlayıcı modaliteler giderek daha fazla araştırılmaktadır. Multimodal verilerin kullanımı özellikle önemlidir, çünkü hastalığın farklı bakış açılarını birleştirerek tespit modellerinin sağlamlığını ve doğruluğunu arttırır. Derin öğrenme algoritmaları, son yıllarda otomatik FOG tanımlaması için çok fazla ilgi gördü; ancak, özellikle EEG gibi tıbbi veriler gibi veri örneklerinin eksikliği nedeniyle kullanışlılıkları kısıtlandı. Veri kıtlığı, derin öğrenme modellerine aşırı uyum sağlamasına yol açabilir, bu da araştırmacıların sınırlı sayıda örnekle etkili bir şekilde çalışabilecek sağlam sınıflandırma modelleri geliştirmelerini çok önemli kılar. Prototip öğrenme gibi az sayıdaki öğrenme yöntemleri, modellerin mütevazı sayıda etiketli örnekten etkili bir şekilde öğrenmesini sağlayarak bu zorlukları hafifletmek için tanıtıldı. Bu nedenle bu araştırmada, PD hastalarında FOG tespiti için SEBlock ile CondenseNet'i kullanan CSE-ProtoNet adlı bir prototip öğrenme çerçevesi önermekteyiz. Önemli olarak, çalışmamız sadece EEG verilerini değil, aynı zamanda PD tespitinin sağlamlığını ve doğruluğunu artırabilecek multimodal girdileri de kaldıracaktır. Yöntem CSE-ProtoNet-ED, ProtoNet-CS ve ProtoNet-ED gibi temel modelleri doğruluk, F-score, geri çağırma, özgüllük, hassasiyet ve AUC açısından daha iyi performans gösterir. CSE-ProtoNet modeli, FOG ve non-FOG olan hastaları da %98,75 doğrulukla farklılaştırmıştır. Önerilen yöntemin sağlamlığını ve genellenebilirliğini sağlamak için çapraz veri doğrulaması yapıldı ve farklı kıvrımlar arasında tutarlı performansı doğruladı.

Özgün kaynak özetini okuyun

Patients with severe Parkinson's disease (PD) frequently have freezing of gait (FOG), a gait disability. By anticipating FOG before it occurs, pre-emptive cueing can either prevent FOG or lessen its severity and duration. To improve the accuracy of FOG detection, both electroencephalography (EEG) data and other complementary modalities, such as gait-based data, are increasingly being explored. The use of multimodal data is particularly important, as it enhances the robustness and accuracy of the detection models by combining different perspectives of the disease. Deep learning algorithms got a lot of attention in recent years for automated FOG identification; however their usefulness has been restricted due to a shortage of data samples, particularly medical data such as EEG. The scarcity of data can lead to overfitting in deep learning models, making it crucial for researchers to develop robust classification models that can operate effectively with a limited number of samples. Few-shot learning methods, such as prototype learning, have been introduced to mitigate these challenges by enabling models to effectively learn from a modest number of labeled samples. Thus in this research, we propose a prototype learning framework called CSE-ProtoNet, which utilizes CondenseNet with SEBlock for FOG detection in PD patients. Importantly, our study will leverage not only EEG data but also multimodal inputs, which can enhance the robustness and accuracy of PD detection. The method outperforms baseline models such as CSE-ProtoNet-ED, ProtoNet-CS, and ProtoNet-ED in terms of accuracy, F-score, recall, specificity, precision and AUC. The CSE-ProtoNet model also differentiated patients with FOG and Non-FOG with an accuracy of 98.75%. Cross-data validation was conducted to ensure the robustness and generalizability of the proposed method, confirming consistent performance across different folds.

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.