Real-Time Voluntary Motion Prediction and Parkinson’s Tremor Reduction Using Deep Neural Networks
Notice bibliographique
Résumé
Wearable tremor suppression devices (WTSD) have been considered as a viable solution to manage parkinsonian tremor. WTSDs showed their ability to improve the quality of life of individuals suffering from parkinsonian tremor, by helping them to perform activities of daily living (ADL). Since parkinsonian tremor has been shown to be nonstationary, nonlinear, and stochastic in nature, the performance of the tremor models used by WTSDs is affected by their inability to adapt to the nonlinear behaviour of tremor. Another drawback that the models have is their limitation to estimate or predict one step ahead, which introduces delay when used in real time with WTSDs, which compromises performance. To address these issues, this work proposes a deep neural network model that learns the correlations and nonlinearities of tremor and voluntary motion, and is capable of multi-step prediction with minimal delay. A generalized model that is task and user-independent is presented. The model achieved an average estimation percentage accuracy of 99.2%. The average future voluntary motion prediction percentage accuracy with 10, 20, 50, and 100 steps ahead was 97.0%, 94.0%, 91.6%, and 89.9%, respectively, with prediction time as low as 1.5 ms for 100 steps ahead. The proposed model also achieved an average of 93.8% ± 1.5% in tremor reduction when it was tested in an experimental setup in real time. The tremor reduction showed an improvement of 25% over the Weighted Fourier Linear Combiner (WFLC), an estimator commonly used with WTSDs.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».