NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FoG), Parkinson hastalığı (PD) olan hastalarda yürüme başlangıcını bozan epizodik bir semptomdur. FoG öncesi aşamaların belirlenmesi PD'li hastalar için çok önemlidir. Bununla birlikte, tipik hastalık etiketlerinin aksine, PD yürüyüş veri toplama sırasında FoG ve FoG öncesi durumları tanımlamak zordur. Sürgülü pencere yöntemi veri hacmini artırmak için kullanılabilir; Bununla birlikte, sabit FoG veya FoG öncesi veri noktası eşiklerine göre pencerelerin etiketlenmesi PD şiddetine duyarsızdır. Bu nedenle, bu çalışma, toplanan yürüyüş verilerine dayanarak etiketleri dinamik olarak tanımlayan yeni bir algoritma önermektedir. Üst üste binen pencereler bu verileri artırmak için kullanılır ve üst üste binen oranın sınıflandırma üzerindeki etkisini değerlendirmek için duyarlılık analizi yapılır. Bu çalışmada UCI'den toplanan ivmeölçer verileri kullanıldı ve bu veriler 10 yüksek riskli FOG katılımcısını içeriyordu ve ayak bileklerinde, uyluklarında ve gövdelerinde giyildi. Bu deneye dayanarak, yaklaşımımız tüm FoG aşamalarını tanımlamak için %89'luk bir hassasiyet ve %92'lik bir özgüllük sağladı. Dahası, FoG öncesi durumu tespit etmek için %96'lık bir hassasiyet ve %88'lik bir özgüllük sergiledi (FoG'den önce 2 s). Yukarıda belirtilen sonuçlar sadece 25 temel özellik ile elde edildi ve böylece hesaplama talebini azalttı. Ayrıca, üst üste binme riski %25'in altında bir oranda düşüktü. Bu çalışma, FoG aşamalarının doğru sınıflandırılması için dinamik etiket atamasının önemini vurgular ve FoG tespiti için önemli özellikler sağlar.
Özgün kaynak özetini okuyun
Freezing of gait (FoG) is an episodic symptom that disrupts walking initiation in patients with Parkinson's disease (PD). Identifying pre-FoG stages is crucial for patients with PD. However, in contrast to typical disease labels, defining the FoG and pre-FoG states during PD gait data collection is challenging. The sliding window method can be used to increase data volume; however, the labeling of windows according to fixed FoG or pre-FoG data point thresholds is insensitive to PD severity. Therefore, this study proposes a novel algorithm that dynamically defines labels on the basis of the collected gait data. Overlapping windows are used to augment these data, and sensitivity analysis is conducted to assess the effect of the overlap rate on classification. This study used accelerometer data collected from UCI, which included 10 high-risk of FOG participants and worn on their ankles, thighs, and trunk. Based on this experiment, our approach achieved a sensitivity of 89% and a specificity of 92% for identifying all FoG stages. Moreover, it exhibited a sensitivity of 96% and specificity of 88% for detecting the pre-FoG state (2 s prior to FoG). The aforementioned results were obtained with only 25 key features, thus reducing the computational demand. Furthermore, the risk of overfitting was low for an overlap rate below 25%. This study highlights the importance of dynamic label assignment for the accurate classification of FoG stages and provides the important features for FoG detection.
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.