NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Exoskeleton yardımı, Parkinson hastalığının (PD) birçok yürüyüşle ilgili semptomunu ele alma potansiyeline sahiptir. Bununla birlikte, PD'nin bir özelliği olan yürüyüş değişkenliği, dış iskelet kontrolörlerini benzersiz bir şekilde zorlu bir şekilde tasarlamayı sağlar. PD'deki yürüyüş değişkenliğinin devlet tahmini için yarattığı zorlukları, dış iskelet kontrolörümüzde yürüyüş-faz tahmini için makine öğrenme modelleri kullanarak aşmaya çalıştık. Bir hip exoskeleton (N = 7) üzerinde konuşlandırılmış makine öğrenme tabanlı yürüyüş fazı modellerini kullanarak, ilk günün cihaza uyum sağlamaya odaklandığı ve ikincisinin yürüyüş metriklerini toplayarak cihazı değerlendirmeye odaklandığı PD'li insanlar için 2 günlük bir protokol gerçekleştirdik. 2 dakikalık yürüme testlerini kullanarak, iki farklı tip sabit tork yardım profilinin spatiyotemporal ve kinematik yürüyüş ölçümleri üzerindeki etkisini değerlendirdik. Biz kalça-hareket aralığı (%8,4), salıncak süresi (%4,7), ve pik ayak açıklığı (%12,3) ile PD'li kişilerde, bir eksozkeleton olmadan yürümekle karşılaştırıldığında kombine bir fleksiyon ve uzatma yardım profili ile yürürken önemli iyileştirmeler gösterdik. Trendleri görmemize rağmen, örnek büyüklüğümüz göz önüne alındığında sadece fleksiyon yardımı sağlamaktan önemli bir fark yoktu. Ayrıca katılımcıya özgü modellerin, yürüyüş fazı tahmin hatasını %40 azalttığını gösterdik, ancak sonuçta ortaya çıkan yürüyüş metrikleri, jenerik modelle yürürken metriklere kıyasla önemli ölçüde değiştirilmedi. Bu sonuçlar, sınırlı PD'ye özgü verilere sahip ML gait-faz tabanlı kontrol yaklaşımlarının, katılımcıya özgü verilerle ilişkili gelişmiş doğrulukla PD gait kinematiklerini iyileştirebileceğini göstermektedir. Sonuçta, bu sonuçlar Parkinson hastalığı olan insanlar için günlük kullanımda yardımcı dış iskeletlerin amacına katkıda bulunur.
Özgün kaynak özetini okuyun
Exoskeleton assistance has the potential to address many gait related symptoms of Parkinson's disease (PD). However, gait variability, a hallmark of PD, makes designing exoskeleton controllers uniquely challenging. We sought to overcome the challenges that gait variability in PD poses for state estimation by employing machine-learning models for gait-phase estimation within our exoskeleton controller. Using machine-learning-based gait-phase models deployed on a hip exoskeleton (N = 7), we performed a 2-day protocol for people with PD where the first day focused on acclimation to the device and the second focused on evaluating the device by collecting gait metrics. Using 2-min walking tests, we assessed the impact of two different types of fixed torque assistance profiles on spatiotemporal and kinematic gait metrics. We demonstrated significant improvements to hip range-of-motion (8.4%), swing time (4.7%), and peak toe clearance (12.3%) in people with PD when walking with a combined flexion and extension assistance profile as compared to walking without an exoskeleton. Although we saw trends, there were no significant differences from providing only flexion assistance given our sample size. We also demonstrated that participant-specific models reduced gait-phase estimation error by 40%, however, resulting gait metrics were not significantly altered compared to metrics when walking with the generic model. These results demonstrate that ML gait-phase-based control approaches with limited PD-specific data can improve PD gait kinematics, with enhanced accuracy associated with participant-specific data. Ultimately, these results contribute to the goal of assistive exoskeletons in everyday use for people with Parkinson's disease.
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.