NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Abstract Background: Bir hastanın yürüyüşünü objektif olarak değerlendirmek için, stride sınırlarının sağlam bir şekilde tanımlanması, atalet sensör tabanlı mobil yürüyüş analiz boru hatlarındaki ilk adımlardan biridir. Literatürde stride segmentasyon için birçok farklı yöntem sunulmuş olsa da, serbest yaşayan yürüyüş üzerine ilgili algoritmaların laboratuvar dışı bir değerlendirmesi hala eksiktir. Yöntem : Bu konuyu ele almak için, 28 Parkinson Hastalığı hastasının 146.574 yarı otomatik etiketli basamakları da dahil olmak üzere kapsamlı bir ücretsiz yaşam değerlendirme veri seti sunuyoruz. Bu veri kümesi, mevcut bir dinamik zaman eğrilmesi (DTW) tabanlı yönteme kıyasla yeni bir Hidden Markov Modeli (HMM) tabanlı stride segmentasyon yaklaşımının segmentasyon performansını değerlendirmek için kullanıldı. Bulgular: Önerilen HMM, %92,1'lik ortalama bir F1-skoru elde etti ve DTW yaklaşımını önemli ölçüde geride bıraktı. Daha ileri analizler, segmentasyon performansının ilgili yürüyüş pistleri içindeki adım sayısına bağımlılığını ortaya çıkardı. Daha kısa vuruşlar (50 adım). Dahası, sadece laboratuvarda veri konusunda eğitilmiş bir HMM'nin, performansta ihmal edilebilir bir azalma ile serbest yaşam bağlamına aktarılabileceğini gösterdik. Sonuç: Önerilen HMM'nin genellenebilirliği umut verici bir özelliktir, çünkü tamamen etiketlenmiş serbest yaşam eğitimi verileri birçok uygulama için mevcut olmayabilir. Bilgimizin en iyisine göre, bu, büyük ölçekli serbest yaşam veri kümesinde stride segmentasyon performansının ilk değerlendirmesidir. Önerilen HMM tabanlı yaklaşımımız, serbest yaşayan yürüyüş verilerinin artan karmaşıklığını ele almayı başardı ve böylece gelecekteki serbest yaşayan yürüyüş analiz uygulamalarında adım parametrelerinin sağlam bir şekilde değerlendirilmesine yardımcı olacak.
Özgün kaynak özetini okuyun
Abstract Background: To objectively assess a patient's gait, a robust identification of stride borders is one of the first steps in inertial sensor-based mobile gait analysis pipelines. While many different methods for stride segmentation have been presented in the literature, an out-of-lab evaluation of respective algorithms on free-living gait is still missing. Method : To address this issue, we present a comprehensive free-living evaluation dataset, including 146.574 semi-automatic labeled strides of 28 Parkinson's Disease patients. This dataset was used to evaluate the segmentation performance of a new Hidden Markov Model (HMM) based stride segmentation approach compared to an available dynamic time warping (DTW) based method. Results: The proposed HMM achieved a mean F1-score of 92.1% and outperformed the DTW approach significantly. Further analysis revealed a dependency of segmentation performance to the number of strides within respective walking bouts. Shorter bouts (50 strides). Furthermore, we showed that an HMM, which was trained on at-lab data only, could be transferred to a free-living context with a negligible decrease in performance. Conclusion: The generalizability of the proposed HMM is a promising feature, as fully labeled free-living training data might not be available for many applications. To the best of our knowledge, this is the first evaluation of stride segmentation performance on a large scale free-living dataset. Our proposed HMM-based approach was able to address the increased complexity of free-living gait data, and thus will help to enable a robust assessment of stride parameters in future free-living gait analysis applications
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.