NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Parkinson hastalığı (PD), motor semptomları, özellikle yürüyüş bozukluğu, hastalık evreleri boyunca değişen ve ölçek olarak ölçülmesi zor olan ilerici bir nörolojik bozukluktur. Hareket yakalama ve kuvvet plakaları doğru yürüyüş analizi sağlar, ancak rutin klinik kullanım için pahalı ve pratik değildir. Büyük bir zorluk, çoğu klinik yürüyüş veri kümesinin tescilli olması ve kamuya açık veri kümelerinin küçük olması, sınırlı çeşitlilikle dengesiz olması nedeniyle büyük, çeşitli kamu veri kümelerinin olmamasıdır. Bu zorlukları ele almak için, kinematik ve doğrusal olmayan dinamik özellikleri video tabanlı poz tahmininden birleştiren çok sınıflı Parkinson yürüyüş sınıflandırması için tek kameralı, işaretsiz bir çerçeve sunuyoruz. İkili PD algılama veya giyilebilir sensörlere odaklanan önceki çalışmaların aksine, yaklaşımımız standart videodan sahne farkında yürüyüş değerlendirmesi yapılmasını sağlar. Sınırlı verilerle adil bir değerlendirme sağlamak için, özellik seçimi, ön işleme ve sınıf dengelemenin yalnızca tekrarlanan katmanlaşmış eğitim kıvrımları içinde gerçekleştirildiği, bilgi sızıntısını önleyen sıkı bir şekilde yuvalanmış çapraz doğrulama boru hattı kullanıyoruz. RBF çekirdeğine sahip bir SVM, en yüksek ortalama çapraz doğrulama doğruluğuna (0.8366) ulaşırken, bir Sinir Ağı daha düşük varyasyonla (0.8338) benzer doğruluk elde etti (std = 0.017). Tutulan test setinde, her iki model de 0.9375 doğruluk ve 0.8222 makro-F1'e ulaştı. Random Forest, 0.8750 doğrulukla yorumlanabilir bir temel sağladı. Seçilen 19 özellik arasında 16'sı doğrusal olmayan-dinamik önlemlerdi, bu veri kümesindeki yürüyüş değişkenliğinin sadece kinematikten daha iyi yakalandığını, ancak daha büyük çalışmalara ihtiyaç duyulduğunu öne sürüyordu. Bu sonuçlar Parkinson yürüyüşünün doğru, yorumlanabilir çok sınıflı sınıflandırmasını gösterir ve nöromotor sağlık hizmetlerinde ölçeklenebilir, AI destekli yürüyüş değerlendirmesi için bir temel sağlar.
Özgün kaynak özetini okuyun
Abstract Parkinson’s disease (PD) is a progressive neurological disorder whose motor symptoms, especially gait impairment, change across disease stages and remain difficult to measure at scale. Motion capture and force plates provide accurate gait analysis but are expensive and impractical for routine clinical use. A major challenge is the lack of large, diverse public datasets, as most clinical gait datasets are proprietary and publicly available datasets are small, imbalanced with limited diversity. To address these challenges, we propose a single-camera, markerless framework for multiclass Parkinsonian gait classification that combines kinematic and nonlinear dynamic features from video-based pose estimation. Unlike prior work focused on binary PD detection or wearable sensors, our approach enables stage-aware gait assessment from standard video. To ensure fair evaluation with limited data, we use a strictly nested cross-validation pipeline where feature selection, preprocessing, and class balancing are performed only within repeated stratified training folds, preventing information leakage. An SVM with RBF kernel achieved the highest mean cross-validation accuracy (0.8366), while a Neural Network achieved similar accuracy (0.8338) with lower variation (std = 0.017). On the held-out test set, both models reached 0.9375 accuracy and 0.8222 macro-F1. A Random Forest provided an interpretable baseline with 0.8750 accuracy. Among the 19 selected features, 16 were nonlinear-dynamic measures, suggesting gait variability in this dataset is better captured by nonlinear dynamics than by kinematics alone, though larger studies are needed. These results demonstrate accurate, interpretable multiclass classification of Parkinsonian gait and provide a foundation for scalable, AI-assisted gait assessment in neuromotor healthcare.
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.