Parkinson xəstəliyində bədbəxtlik onset və dayandırma proqnozu şank sensor sürətləndirilmə məlumatlarından istifadə olunaraq

Motor zəifliyi Gecə dondurması (FoG) Parkinson xəstəliyinin (PD) inkişafında adətən baş verən düşmələrə səbəb olan azaldılmış hərəkətliliklə əlaqədardır. Bu hadisəni azaltmaq üçün cueing texnikaları uğurla istifadə edilmişdir. FoG proqnozu geniş öyrənilsə də, yalnız iş azlığı hadisənin sonlandırılması aşkarlanmasını əhatə edir. Dondurma ilə birlikdə, dondurma hadisələrinin proqnozlaşdırılması uzunmüddətli cığırlama təsirlərini azaltmaq üçün üstünlük təşkil edir. Tədbirlərin əsas məqsədi, dondurma və dondurma hadisələrinin proqnozlaşdırılması üçün maşın öyrənməsinə əsaslanan bir çərçivənin təklif edilməsidir. Dondurma indeksinə (FI) əsasən, 10PD xəstələrindən ibarət Daphnet məlumat dəstindən istifadə edərək FoG- yox, FoG-dən əvvəl, FoG-dən əvvəl və FoG-dən əvvəl dörd hərəkət vəziyyətini təmsil etmək üçün yenidən etiketləmə sxemi hazırlanır. Çimərli sensordan çıxarılan doqquz xüsusiyyətdən istifadə edərək, Random Forest modeli 2s segmentasiya pəncərəsi istifadə edərək 95,5% dəqiqliyə nail oldu. QrupKFold (5 qat) və subyektdən asılı olmayan qiymətləndirmələr müvafiq olaraq (91,2 ± 0,9)% və (86,2 ± 4,0)% dəqiqliyi bildirir və bu da epizodlar və görünməmiş subyektlər arasında ümumiləşdirilmək üçün daha sərt müstəqillik məhdudiyyətlərini təmsil edir. Xüsusiyyət seçildikdən sonra 2s segmentasiya pəncərəsi ilə beş ədəd xüsusiyyətdən ibarət azaldılmış bir set əldə edilir və 96,2% dəqiqlik əldə edilir. Hadisə səviyyəsində, 237 qeydə alınmış FoG epizodundan 197- i başlayanda uğurla müəyyən edilir, bu da epizod başına 83, 12% həssaslığa uyğun gəlir. Proqnozlaşdırılan son keçidləri 63,6%-lik bir işarə-deaktivasiya dəqiqliyini əldə etdi. Bu nəticələr göstərir ki, tək bir çənkələ sensor nisbətən aşağı həssaslıq və xüsusiyyət işlənməsi tələbləri ilə həm FoG başlanğıcı, həm də sonluğu üçün məlumat verə bilər. Bununla birlikdə, çərçivə daha böyük və daha müxtəlif PD populyasiyasında perspektivli təsdiqdən sonra real vaxtda göstərilən təsdiqlənmə üçün klinik təsdiqlənmə və effektivliyi tələb edir.

Sinti azlıqların nümunədən çox alınması texnologiyası

Müəlliflər UCI, Machine Learning Repository tərəfindən verilən verilənlər bazasının dəstəkləndiyini bütün ürəyindən etiraf edirlər.

Bu tədqiqat üçün maliyyələşdirmə mövcud deyil.

Kompüter Elm və Mühəndislik Departamenti, Apex Texnologiya İnstitutunun Chandigarh Universitetinin, Mohali, 140413, Punjab, Hindistan

Chandigarh Kolleclər Qrupu, Landran, Mohali, 140307, Punjab, Hindistan