Pattern Classification of Hand Movement Tremor in MS Patients with DBS ON and OFF
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
BACKGROUND: Hand tremor is one of the consequences of MS disease degrading quality of patient's life. Recently DBS is used as a prominent treatment to reduce this effect. Evaluation of this approach has significant importance because of the prevalence rate of disease. OBJECTIVE: The purpose of this study was the nonlinear analysis of tremor signal in order to evaluate the quantitative effect of DBS on reducing MS tremor and differentiating between them using pattern recognition algorithms. MATERIAL AND METHODS: In this analytical study, nine features were extracted from the tremor signal. Through statistical analysis, the significance level of each feature was examined. Finally, tremor signals were categorized by SVM, weighted KNN and NN classifiers. The performance of methods was compared with an ROC graph. RESULTS: The results have demonstrated that dominant frequency, maximum amplitude and energy of the first IMF, deviation of the direct path, sample entropy and fuzzy entropy have the potential to create a significant difference between the tremor signals. The classification accuracy rate of tremor signals in three groups for Weighted KNN, NN and SVM with Gaussian and Quadratic kernels resulted in 95.1%, 93.2%, 91.3% and 88.3%, respectively. CONCLUSION: Generally, nonlinear and nonstationary analyses have a high potential for a quantitative and objective measure of MS tremor. Weighted KNN has shown the best performance of classification with the accuracy of more than 95%. It has been indicated that DBS has a positive influence on reducing the MS tremor. Therefore, DBS can be used in the objective improvement of tremor in MS patients.
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