NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüş bozukluklarının doğru teşhisi genellikle öznel veya maliyetli değerlendirme yöntemleri ile engellenir, mevcut çözümler pahalı çoklu kamera ekipmanına veya öznel klinik gözleme dayanır. Hasta gizliliğini korurken yürüyüş değerlendirmesine yardımcı olabilecek erişilebilir, objektif araçlara kritik bir ihtiyaç vardır. Bu çalışmada, yedi farklı yürüyüş türünü yakalayan 743 videodan oluşan yeni bir veri kümesinden yararlanan yürüyüş bozukluklarını sınıflandırmak için cep telefonu tabanlı, gizlilikle korunan bir yapay zeka (AI) sistemi sunuyoruz. Veri kümesi, klinisyenlerin normal yürüyüşü simüle eden ön ve sagittal görünümlerinden ve standart cep telefonu kameraları kullanılarak kaydedilen altı tip patolojik yürüyüşten (dairesel, Trendelenburg, antaljik, çömelmiş, Parkinsonlu ve tonozlu) oluşur. Sistemimiz kombine frontal ve sagittal görünümler kullanarak %86,5 doğruluk elde etti, sagittal görünümler genellikle sünnet gibi belirli yürüyüş tipleri dışında ön görüşlerden daha iyi performans gösterdi. Model özellik önemi analizi, frekans alanı özelliklerinin ve entropi ölçümlerinin sınıflandırma performansı için kritik olduğunu ortaya koydu. Özellikle, alt uzuv anahtar noktaları sınıflandırma için en önemli olduğunu kanıtladı, yürüyüş değerlendirmesinin klinik anlayışı ile hizalandı. Bu bulgular, cep telefonu tabanlı sistemlerin çeşitli yürüyüş tiplerini etkin bir şekilde sınıflandırırken, cihaz içi işleme yoluyla gizliliği koruduğunu göstermektedir. Simule edilmiş yürüyüş verileri kullanılarak elde edilen yüksek doğruluk, yürüyüş analiz sistemlerinin hızlı prototipleme potansiyelini göstermektedir, ancak hasta verileriyle klinik doğrulama gerekliliğini korumaktadır. Bu çalışma klinik, topluluk ve tele-rehabilitasyon ayarları için erişilebilir, objektif yürüyüş değerlendirme araçlarına doğru önemli bir adımı temsil etmektedir.
Özgün kaynak özetini okuyun
Accurate diagnosis of gait impairments is often hindered by subjective or costly assessment methods, with current solutions relying on either expensive multi-camera equipment or subjective clinical observation. There is a critical need for accessible, objective tools that can aid in gait assessment while preserving patient privacy. In this work, we present a mobile phone-based, privacy-preserving artificial intelligence (AI) system for classifying gait impairments that leverages a novel dataset of 743 videos capturing seven distinct gait types. The dataset consists of frontal and sagittal views of clinicians simulating normal gait and six types of pathological gait (circumduction, Trendelenburg, antalgic, crouch, Parkinsonian, and vaulting), recorded using standard mobile phone cameras. Our system achieved 86.5% accuracy using combined frontal and sagittal views, with sagittal views generally outperforming frontal views except for specific gait types like circumduction. Model feature importance analysis revealed that frequency-domain features and entropy measures were critical for classification performance. Specifically, lower limb keypoints proved most important for classification, aligning with clinical understanding of gait assessment. These findings demonstrate that mobile phone-based systems can effectively classify diverse gait types while preserving privacy through on-device processing. The high accuracy achieved using simulated gait data suggests their potential for rapid prototyping of gait analysis systems, though clinical validation with patient data remains necessary. This work represents a significant step toward accessible, objective gait assessment tools for clinical, community, and tele-rehabilitation settings.
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.