NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Gait anormallikleri Parkinson hastalığının (PD) birincil motor belirtisidir. Klinik olarak, Hareket Bozukluğu Topluluğu Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (MDS-UPDRS) yaygın olarak PD'deki yürüyüş bozukluğunu değerlendirmek için standart olarak kabul edilir. Son iskelet tabanlı yöntemler MDS-UPDRS yürüyüş puanlarını tahmin etmeye çalıştı, ancak çoğu yaklaşım puan tahminini kaba bir sınıflandırma görevi olarak ele alıyor ve zamanla ince, ilerici yürüyüş değişikliklerini yakalama yeteneklerini sınırlıyor. Bu yöntemler aynı zamanda klinik öncesi bilgileri de ihmal eder ve yerel yürüyüş özelliklerini modellemede başarısız olur, bu da tatmin edici olmayan performansa yol açar. Buna ek olarak, yürüyüş bozukluğunun sürekli ölçekli bir değerlendirmesi, tedavi planının daha iyi bir formülasyonu ve ayarlanmasına neden olabilir. Bu makalede, iskelet verilerini kullanarak MDS-UPDRS'nin ayrık notasyonundan sürekli ölçekli yürüyüş bozukluğu tahmini sağlamak için yeni bir çerçeve sunuyoruz. İlk olarak Öklid dışı iskelet bilgilerini iki Öklid spatiyotemporal özellik haritasına dönüştürerek merkezi eklemin etrafında katı bir mekansal-zamansal yapı sağlarız. Daha sonra, bu normalleştirilmiş özellik haritaları içinde yerel spatiotemporal yürüyüş özelliklerini çıkarmak için çok boyutlu bir dikkat convolutional ağı kullanıyoruz. Daha sonra, her iki haritadaki özellikleri, kapsamlı yürüyüş bilgilerini yakalayan adaptif bir kanal özelliği füzyon modülü kullanarak entegre ediyoruz. Son olarak, MDS-UPDRS puanlarını, klinisyenlerden sürekli ölçekli açıklamalar gerektirmeden sürekli bir ölçekte yürüyüş bozukluğunu tahmin etmek için çapa olarak kullanan bir sayısal puan tahmin stratejisi sunuyoruz. Önerilen yaklaşımın etkinliği, önemli bir klinik PD yürüyüş iskeleti veri kümesi kullanılarak doğrulanır.
Özgün kaynak özetini okuyun
Gait abnormalities constitute a primary motor symptom of Parkinson's disease (PD). Clinically, the Movement Disorder Society Unified Parkinson's Disease Rating Scale (MDS-UPDRS) is widely recognized as the standard to evaluate gait impairment in PD. Recent skeleton-based methods have sought to estimate MDS-UPDRS gait scores, but most approaches treat score prediction as a coarse classification task, limiting their ability to capture subtle, progressive gait changes over time. These methods also often neglect clinical prior knowledge and fail to model localized gait features, leading to unsatisfactory performance. In addition, a continuous scale evaluation of gait impairment could result in a better formulation and adjustment of the treatment plan. In this paper, we introduce a novel framework for providing continuous-scale gait impairment estimation from the discrete annotation of MDS-UPDRS using skeleton data. First, we convert non-Euclidean skeleton information into two Euclidean spatiotemporal feature maps, ensuring a rigid spatial-temporal structure around the central joint. Next, we employ an omni-dimensional attention convolutional network to extract local spatiotemporal gait features within these normalized feature maps. We then integrate the features from both maps using an adaptive channel feature fusion module, capturing comprehensive gait information. Finally, we propose a numerical score prediction strategy that leverages MDS-UPDRS scores as anchors to predict gait impairment on a continuous scale without requiring continuous-scale annotations from clinicians. The effectiveness of the proposed approach is validated using a substantial clinical PD gait skeleton dataset.
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.