Statistical Analysis of Gait Rhythm in Patients With Parkinson's Disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To assess the gait variability in patients with Parkinson's disease (PD), we first used the nonparametric Parzen-window method to estimate the probability density functions (PDFs) of stride interval and its two subphases (i.e., swing interval and stance interval). The gait rhythm standard deviation (sigma) parameters computed with the PDFs indicated that the gait variability is significantly increased in PD. Signal turns count (STC) was also derived from each outlier-processed gait rhythm time series to serve as a dominant feature, which could be used to characterize the gait variability in PD. Since it was observed that the statistical parameters of swing interval or stance interval were highly correlated with those of stride interval, this article only used the stride interval parameters, i.e., sigma(r) and STC(r) , to form the feature vector in the pattern classification experiments. The results evaluated with the leave-one-out cross-validation method demonstrated that the least squares support vector machine with polynomial kernels was able to provide a classification accurate rate of 90.32% and an area (Az) of 0.952 under the receiver operating characteristic curve, both of which were better than the results obtained with the linear discriminant analysis (accuracy: 67.74%, Az: 0.917). The features and the classifiers used in the present study could be useful for monitoring of the gait in PD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle