NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Timed Up and Go (TUG) testi yaşlı hareketliliği değerlendirmek için klinik bir altın standarttır, ancak ev izleme ve kaynak sınırlı alanlarda otomatik olarak konuşlandırılması yüksek donanım maliyetleri ve uzman kalibrasyon gereksinimleri ile engellenir. Bu çalışma, özellikle kalibre edilmemiş tüketici sınıfı CMOS kameraları için tasarlanmış bir Fizik-Veri Hibrit çerçeveyi tanıtarak, erken Parkinson hastalığı (PD) risk taraması için bir "plug-and-play" çözümü sağlar. Önerilen boru hattı, öğrenme tabanlı poz algısını, manuel dama tahtası kalibrasyonu olmadan mutlak metrik ölçekli hareketi kurtarmak için kendi kendini geliştiren bir fizik modeliyle bütünleştirir. 2D piksel dinamiklerini 3D kinematik tutarlılık ile bağdaştırmak için, monoküler görüşün doğal ölçekli belirsizliğini aşmak için gürültüye ayak uyduran bir füzyon stratejisi uygulanmaktadır. Önemli olarak, bu çerçeve, sadece geleneksel zamanlamalı sistemlerden daha ince motor dalgalanmalarını yakalamak için daha ince bir teşhis çözünürlüğü sağlayan, stride uzunluk katsayısı ve ortalama yürüyüş hızı gibi yüksek boyutlu spatiotemporal parametrelerin çıkarılmasını sağlar. 10 denekten oluşan bir kohort ile yapılan pilot çalışmamızdan elde edilen sonuçlar, bu çıkarılan metrik özelliklerin, çift görev kaynaklı bilişsel-motor etkileşimi ile simüle edilen risk evreleme için belirleyici belirteçler olarak hizmet ettiğini ve %98 tarama doğruluğuna ve %87.32 genel sınıflandırma doğruluğuna ulaştığını göstermektedir. Bu çerçeve, her yerde bulunan telesağlık için sağlam, düşük maliyetli bir araç sağlar ve potansiyel olarak yetersiz hizmet alan popülasyonlarda erken PD risk değerlendirmesini destekler.
Özgün kaynak özetini okuyun
The Timed Up and Go (TUG) test is a clinical gold standard for assessing elderly mobility, yet its automated deployment in home-monitoring and resource-limited areas is hindered by high hardware costs and expert calibration requirements. This study introduces a Physics-Data Hybrid framework specifically designed for uncalibrated consumer-grade CMOS cameras, enabling a "plug-and-play" solution for early Parkinson's disease (PD) risk screening. The proposed pipeline integrates learning-based pose perception with a self-evolving physics model to recover absolute metric-scale motion without manual checkerboard calibration. A noise-adaptive fusion strategy is implemented to reconcile 2D pixel dynamics with 3D kinematic consistency, overcoming the inherent scale ambiguity of monocular vision. Crucially, this framework enables the extraction of high-dimensional spatiotemporal parameters-such as stride length coefficient of variation and mean gait velocity-which provide a finer diagnostic resolution for capturing subtle motor fluctuations than conventional timing-only systems. Results from our pilot study with a cohort of 10 subjects demonstrate that these extracted metric features serve as decisive markers for risk staging simulated by dual-task-induced cognitive-motor-interference, achieving 98% screening accuracy and an overall classification accuracy of 87.32%. This framework provides a robust, low-cost tool for ubiquitous telehealth, potentially supporting early PD risk assessment in underserved populations.
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.