NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Ortopedik tarama için işaretsiz bir yürüyüş anomalisi tespit sistemi önermekteyiz. Çerçeve, MediaPipe tabanlı ortak izleme, denetimsiz LSTM-otoencoder modellemesini birleştirir ve klinik video gürültüsünü gidermek için ön işlemeyi hedefler. Sadece normal yürüyüşte eğitilen model, sarkopeni (SA) ve Parkinson hastalığı (PD) hastalarında anormal desenleri tespit ederek sırasıyla %97 ve %88'lik tespit oranlarına ulaşır. Yöntemimiz, sarkopeni tespitinde son teknoloji performansı elde ederek, giyilebilir cihazlar veya el işi özellikler gerektiren son sensör tabanlı yaklaşımları aşmaktadır. Dahası, bilgimizin en iyisine göre, bu, tek bir video tabanlı sistem kullanarak hem sarkopeni hem de Parkinson hastalığını tanımlayabilen ilk birleşik işaretsiz çerçevedir. Giriş kalitesini artırmak için, hata çerçevesi dengesizliği, giyim müdahalesi ve arka plan dağınıklığı kullanan YOLO tabanlı çerçeve filtreleme ve semantik segmentasyon gibi üç ortak kaynağı ele alıyoruz. Bu, kullanılabilir yürüyüş verilerini %38'e kadar artırdı. Ortak seviye analizleri dizleri yürüyüş anormalliklerine karşı en duyarlı, yorumlanabilir ve lokalize değerlendirmeleri yorumlayan olarak tanımladı. Sonuçlarımız, kas-iskelet sistemi bozukluklarının erken tespiti ve izlenmesi için ölçeklenebilir, invaziv olmayan bir sistemin potansiyelini vurgulamaktadır.
Özgün kaynak özetini okuyun
We propose a markerless gait anomaly detection system for orthopedic screening. The framework combines MediaPipe-based joint tracking, unsupervised LSTM-autoencoder modeling, and targeted preprocessing to address clinical video noise. Trained only on normal gait, the model detects abnormal patterns in sarcopenia (SA) and Parkinson's disease (PD) patients, achieving detection rates of 97% and 88%, respectively. Our method achieves state-of-the-art performance in sarcopenia detection, surpassing recent sensor-based approaches that require wearable devices or handcrafted features. Furthermore, to the best of our knowledge, this is the first unified markerless framework capable of identifying both sarcopenia and Parkinson's disease using a single video-based system. To improve input quality, we address three common sources of error-frame imbalance, clothing interference, and background clutter-using YOLO-based frame filtering and semantic segmentation. This increased usable gait data by up to 38%. Joint-level analysis identified the knees as the most responsive to gait abnormalities, enabling interpretable and localized assessments. Our results highlight the potential of a scalable, non-invasive system for early detection and monitoring of musculoskeletal disorders.
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.