NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), günlük yaşamı önemli ölçüde bozan titreme, sertlik ve bradikinezi gibi motor semptomlarla karakterize olan dünya çapında milyonlarca insanı etkileyen nörodejeneratif bir hastalıktır. Mevcut tanı ve izleme, öncelikle ince motor değişikliklerinin saptanmasında öznel ve sınırlı olan klinik gözlemlere ve derecelendirme ölçeklerine (örneğin MDS-UPDRS) dayanır ve bu da ara ve intra-rater değişkenliğine yol açar. Son yıllarda, yüzey elektromiyografisi (sEMG) ve atalet ölçüm üniteleri (IMU'lar) gibi giyilebilir sensörler, PD'de nöromüsküler aktivite ve motor performansını ölçmek için invaziv olmayan araçlar olarak ortaya çıkmıştır. Makine öğrenimi (ML) ve derin öğrenme (DL) teknikleri ile birleştirildiğinde, bu sinyaller hastalık tespiti, hasta sınıflandırması ve semptom şiddeti değerlendirmesi için modellerin geliştirilmesini sağlar. Bu inceleme, PD izleme için yüzey elektromiyografisine uygulanan son ML ve DL yaklaşımlarına yapılandırılmış bir genel bakış sunar ve mevcut literatürdeki bir boşluğu ele alır. Veri toplama stratejilerini, ön işleme tekniklerini, özellik çıkarma yöntemlerini, model mimarilerini ve teşhis, titreme analizi, yürüyüş tespitinin dondurulması ve yürüyüş değerlendirmesi gibi görevler arasında değerlendirme protokollerini analiz eder. Umut verici sonuçlara rağmen, sınırlı veri seti boyutu, standartlaşma eksikliği ve zayıf genelleme dahil olmak üzere önemli zorluklar devam ediyor. Son olarak, bu çalışma ortaya çıkan eğilimleri vurgulamaktadır ve gerçek dünyadaki klinik çeviriyi desteklemek için temsili bir işleme boru hattı tanımlamaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative disorder affecting millions worldwide, characterized by motor symptoms such as tremor, rigidity, and bradykinesia that significantly impair daily life. The current diagnosis and monitoring rely primarily on clinical observations and rating scales (e.g., the MDS-UPDRS), which are subjective and limited in detecting subtle motor alterations, leading to inter- and intra-rater variability. In recent years, wearable sensors such as surface electromyography (sEMG) and inertial measurement units (IMUs) have emerged as non-invasive tools for quantifying neuromuscular activity and motor performance in PD. When combined with machine learning (ML) and deep learning (DL) techniques, these signals enable the development of models for disease detection, patient classification, and symptom severity assessment. This review provides a structured overview of recent ML and DL approaches applied to surface electromyography for PD monitoring, addressing a gap in the current literature. It analyzes data acquisition strategies, preprocessing techniques, feature extraction methods, model architectures, and evaluation protocols across tasks such as diagnosis, tremor analysis, freezing of gait detection, and gait assessment. Despite promising results, key challenges remain, including limited dataset size, lack of standardization, and poor generalization. Finally, this work highlights emerging trends and identifies a representative processing pipeline to support real-world clinical translation.
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.