NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Postural geçişler (PT'ler), nörolojik koşullarda sıklıkla bozulan, özerkliği ve düşme riskini etkileyen çok önemli günlük hareketlerdir. Giyilebilir atalet ölçüm üniteleri (IMU'lar) PT'lerin objektif değerlendirilmesini sağlar, ancak otomatik tanımlama için sağlam algoritmalar sınırlı kalır.MetodlarBu pilot çalışma, sağlıklı deneklerde (HS) ve Parkinson Hastalığı (SwPD) olan deneklerde PT'leri otomatik olarak tanımlamak için, zamansal varyasyonlara dayanıklı bir zaman serisi hizalama yöntemi olan Dinamik Zaman Çözünürlüğü (DTW) kullandı. Bu amaçla, 10 katılımcı (5 HS ve 5 SwPD) sternum monteli bir IMU kullanarak 5 postural geçiş görevi (durağanlığa, ayakta durma, oturmaya, oturmaya, oturmaya ve yuvarlanmaya) gerçekleştirdi. Referans PT kalıpları, en uygun şekilde yürütülen geçişleri temsil eden daha önce toplanan hızlanma verilerinden üretildi. DTW algoritması, önceden tanımlanmış referans kalıplarından uzaklığını en aza indirerek tespit edilen her aday geçişini sınıflandırdı. Sınıflandırma performans indeksleri gruplar arasında istatistiksel olarak karşılaştırıldı.SonuçlarBu pilot veri kümesinde, DTW algoritması HS'de 118/118 postural geçiş sinyalini ve SwPD'de 136/147 sinyalini doğru olarak tanımladı. SwPD'deki yanlış sınıflandırmalar öncelikle oturma-durma (%31) ve oturma-oturma (%19) geçişlerini etkiledi.Bu ön bulgular, daha büyük bağımsız doğrulama çalışmalarına ihtiyaç duyulmasına rağmen, postural geçiş tanımlaması için DTW tabanlı bir yaklaşımın uygulanabilirliğini desteklemektedir. Gelecekteki çalışmalar gerçek zamanlı dağıtıma ve daha büyük doğrulama kohortlarına öncelik vermelidir.
Özgün kaynak özetini okuyun
IntroductionPostural transitions (PTs) are crucial daily movements often impaired in neurological conditions, impacting autonomy and fall risk. Wearable inertial measurement units (IMUs) enable objective assessment of PTs, but robust algorithms for automatic identification remain limited.MethodsThis pilot study used Dynamic Time Warping (DTW), a time-series alignment method that is robust to temporal variations, to automatically identify PTs in healthy subjects (HS) and subjects with Parkinson's Disease (SwPD). For this purpose, 10 participants (5 HS and 5 SwPD) performed 5 postural transition tasks (sit-to-stand, stand-to-sit, supine-to-sit, sit-to-supine, and roll) using a sternum-mounted IMU. Reference PT patterns were generated from previously collected acceleration data representing optimally executed transitions. The DTW algorithm classified each detected candidate transition by minimizing its distance from predefined reference patterns. Classification performance indexes were statistically compared between groups.ResultsWithin this pilot dataset, the DTW algorithm correctly identified 118/118 postural-transition signals in HS and 136/147 signals in SwPD. Misclassifications in SwPD primarily affected sit-to-stand (31%) and stand-to-sit (19%) transitions.DiscussionThese preliminary findings support the feasibility of a DTW-based approach for postural-transition identification, although larger independent validation studies are required. Future work should prioritize real-time deployment and larger validation cohorts.
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.