NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının erken teşhisi (PD) ilerlemesini yavaşlatmak için çok önemlidir. Gait analizi, erken belirtileri tespit etmek için giderek daha fazla kullanılırken, akıllı tabanlar günlük izleme için uygun maliyetli ve kullanışlı bir araç olarak ortaya çıkıyor. Bununla birlikte, akıllı tabanların dayanıklılık endişeleri, sınırlı pil ömrü ve sensör sayısını en aza indirmede zorluklar da dahil olmak üzere pratik sınırlamaları vardır. Bu çalışmada, PD'li hastalarda, akıllı tabanlara gömülü az sayıda sensör kullanarak anormal yürüyüşleri doğru bir şekilde tespit etmek için yeni bir derin evrişimsel sinir ağı modeli tasarladık. Önerilen konvolutional nöral ağ (CNN) modeli, 13 sağlıklı birey, 9 yaşlı birey ve Parkinson hastalığı (PD) olan 7 hasta dahil olmak üzere toplam 29 katılımcıdan toplanan bir yürüyüş veri seti üzerinde eğitildi. Her iki ayaktan plantar basınç verilerini birleştirmek yerine, model, yürüyüş asimetrilerini daha iyi yakalamak için her ayağı ardışık katmanlar aracılığıyla bağımsız olarak işler. Önerilen CNN modeli, akıllı tabandaki 32 plantar basınç sensöründen sadece 8'ini kullanarak% 90.35'lik bir sınıflandırma doğruluğu elde etti ve geleneksel bir CNN modelini yaklaşık% 10 oranında geride bıraktı. Deneysel sonuçlar, CNN modelimizin PD'li hastalarda anormal yürüyüş modellerini etkili bir şekilde tespit etme potansiyelini gösterirken, sensör gereksinimlerini en aza indirirken, gerçek dünya kullanımı için akıllı tabanların pratikliğini ve verimliliğini artırır.
Özgün kaynak özetini okuyun
Early diagnosis of Parkinson's disease (PD) is crucial for slowing its progression. Gait analysis is increasingly used to detect early symptoms, with smart insoles emerging as a cost-effective and convenient tool for daily monitoring. However, smart insoles have practical limitations, including durability concerns, limited battery life, and difficulties in minimizing the number of sensors. In this study, we designed a novel deep convolutional neural network model for accurately detecting abnormal gaits in patients with PD using a reduced number of sensors embedded in smart insoles. The proposed convolutional neural network (CNN) model was trained on a gait dataset collected from a total of 29 participants, including 13 healthy individuals, 9 elderly individuals, and 7 patients with Parkinson's disease (PD). Instead of combining plantar pressure data from both feet, the model processes each foot independently through sequential layers to better capture gait asymmetries. The proposed CNN model achieved a classification accuracy of 90.35% using only 8 of the 32 plantar pressure sensors in the smart insole, outperforming a conventional CNN model by approximately 10%. The experimental results demonstrate the potential of our CNN model for effectively detecting abnormal gait patterns in patients with PD while minimizing sensor requirements, enhancing the practicality and efficiency of smart insoles for real-world use.
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.