NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) olan insanlar günlük işleyişi etkileyen hareketlilik bozuklukları yaşarlar, ancak geleneksel klinik değerlendirmeler gerçek dünya hareketliliği hakkında sınırlı bir fikir sağlar. Bu çalışma, motor hal sınıflandırmasını ve artırılmış gerçeklik (AR) gözlüklerinden elde edilen mobilite metriklerinin eş zamanlı geçerliliğini, gamifleştirilmiş AR egzersizleri sırasında işaretsiz hareket yakalama sistemine (Theia3D) karşı değerlendirdi. PD'li on beş katılımcı, her iki sistemle ölçülen beş gamified AR egzersizini tamamladı. Motor hal segmentleri, düz yürüme, dönme, squat ve oturma / ayakta durma / oturma / oturma transferlerini içeriyordu, bunlardan aşağıdaki hareketlilik metrikleri türetildi: adım uzunluğu, yürüyüş hızı, kadans, transfer ve squat süreleri, squat derinliği, dönüş süresi ve tepe dönüş açısal hızı. Kafa pozisyonu (X, Y, Z) ve yaw-angle zaman serisi (ICC(c,1) > 0.932) için mükemmel sistem tutarlılığı bulduk. AR tabanlı motor durum sınıflandırması, F1 puanları 0.947-1.000 ile yüksek doğruluk gösterdi. Theia3D ile yapılan mutlak anlaşma, sırasıyla iyi ve orta dereceli (ICC(A,1) = 0.850, ICC(A,1) = 0,477 olan dönüşler sırasında düz yürüme ve tepe açısal hız sırasında kadans hariç, tüm hareketlilik metrikleri (ICC(A,1)> 0.904) için mükemmeldi. Bu sonuçlar, motor hallerin ve ilişkili mobilite metriklerinin, hafif ila orta dereceli PD'li kişilerde kontrollü bir laboratuvar ortamında doğru bir şekilde elde edilebileceğini, klinik ve evde AR nörorehabilitasyon egzersiz programları sırasında hareketlilik metriklerinin engelsiz türetilmesine yönelik gerekli bir ilk adım olduğunu göstermektedir.
Özgün kaynak özetini okuyun
People with Parkinson's disease (PD) experience mobility impairments that impact daily functioning, yet conventional clinical assessments provide limited insight into real-world mobility. This study evaluated motor-state classification and the concurrent validity of mobility metrics derived from augmented-reality (AR) glasses against a markerless motion capture system (Theia3D) during gamified AR exercises. Fifteen participants with PD completed five gamified AR exercises measured with both systems. Motor-state segments included straight walking, turning, squatting, and sit-to-stand/stand-to-sit transfers, from which the following mobility metrics were derived: step length, gait speed, cadence, transfer and squat durations, squat depth, turn duration, and peak turn angular velocity. We found excellent between-systems consistency for head position (X, Y, Z) and yaw-angle time series (ICC(c,1) > 0.932). The AR-based motor-state classification showed high accuracy, with F1-scores of 0.947-1.000. Absolute agreement with Theia3D was excellent for all mobility metrics (ICC(A,1) > 0.904), except for cadence during straight walking and peak angular velocity during turns, which were good and moderate (ICC(A,1) = 0.850, ICC(A,1) = 0.477, respectively). These results indicate that motor states and associated mobility metrics can be accurately derived during gamified AR exercises, verified in a controlled laboratory environment in people with mild to moderate PD, a necessary first step towards unobtrusive derivation of mobility metrics during in-clinic and at-home AR neurorehabilitation exercise programs.
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.