NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığında (PD) sit-to-walk (STW) görevi sırasında nöromüsküler işlev bozukluğu iyi anlaşılmamıştır. STW evreleri boyunca yüzey elektromiyografisi (sEMG) sinyallerini açıklanabilir makine öğrenimi (ML) ve PD'de derin öğrenme yaklaşımları kullanarak analiz etmeyi amaçladık. PD (n = 101) ve sağlıklı kontrolleri (n = 50) olan bireyler standart bir STW görevi yerine getirirken, sEMG sinyalleri sekiz alt-limb kastan ikili olarak kaydedildi. Bu sinyaller önceden işlendi ve STW görevinde üç aşamaya ayrıldı. Özellik tabanlı ML modelleri, dalgacıkla dönüştürülmüş sEMG spektrogramları üzerinde eğitilmiş konvolüsyonel sinir ağları (CNN) ile karşılaştırıldı. Açıklanabilir yapay zeka yöntemleri fizyolojik olarak yorumlanabilir nöromüsküler desenleri tanımladı. STW faz 1, PD ile ilişkili nöromüsküler anormallikleri tespit etmek için en hassas aralıktı. Özellik tabanlı sınıflandırıcılar arasında, rastgele orman modeli,% 77.5 doğruluk ve alıcının karakteristik eğri 0,795 çalışma alanı ile beş kat çapraz doğrulama altında en yüksek performansı gösterdi. SHapley Additive exPlanations analizi STW faz 1 sırasında ortalama ve medyan frekans, sol biceps femoris entegre sEMG genliği ve sol rectus femoris-biceps femoris kısa kafa kontraksiyonu sınıflandırmasına büyük katkıda bulunanlar olarak tanımlanmıştır. CNN tabanlı analizler, PD'li bireylerde, özellikle momentum üretimi ve postural stabilizasyon için kritik olan proksimal kaslarda daha erken ve temporal olarak konsantre aktivasyon kalıplarını ortaya koydu. Genel olarak, PD'li bireyler STW geçişi sırasında düşük limbik nöromüsküler aktivitenin belirgin temporal, spektral ve koordinatif kalıplarını sergilediler. Bulgular, fonksiyonel geçişler sırasında PD ile ilişkili nöromüsküler kalıpları karakterize etmek için sEMG tabanlı açıklanabilir AI potansiyelini desteklemektedir.
Özgün kaynak özetini okuyun
Neuromuscular dysfunction during the sit-to-walk (STW) task in Parkinson's disease (PD) remains poorly understood. We aimed to analyze surface electromyography (sEMG) signals across STW phases using explainable machine learning (ML) and deep learning approaches in PD. Individuals with PD (n = 101) and healthy controls (n = 50) performed a standardized STW task while sEMG signals were recorded bilaterally from eight lower-limb muscles. These signals were preprocessed and segmented into three phases in the STW task. Feature-based ML models were compared with convolutional neural networks (CNN) trained on wavelet-transformed sEMG spectrograms. Explainable artificial intelligence methods identified physiologically interpretable neuromuscular patterns. STW phase 1 was the most sensitive interval for detecting PD-related neuromuscular abnormalities. Among the feature-based classifiers, the random forest model demonstrated the highest performance under five-fold cross-validation, with an accuracy of 77.5% and an area under the receiver operating characteristic curveof 0.795. SHapley Additive exPlanations analysis identified mean and median frequency during STW phase 1, left biceps femoris integrated sEMG amplitude, and left rectus femoris-biceps femoris short head co-contraction as major contributors to classification. CNN-based analyses revealed earlier and temporally concentrated activation patterns in individuals with PD, particularly in proximal muscles critical for momentum generation and postural stabilization. Overall, individuals with PD exhibited distinct temporal, spectral, and coordinative patterns of lower-limb neuromuscular activity during the STW transition. The findings support the potential of sEMG-based explainable AI for characterizing PD-associated neuromuscular patterns during functional transitions.
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.