Real-Time Freezing of Gait Prediction and Detection in Parkinson’s Disease
Notice bibliographique
Résumé
Freezing of gait (FOG) is a walking disturbance that can lead to postural instability, falling, and decreased mobility in people with Parkinson’s disease. This research used machine learning to predict and detect FOG episodes from plantar-pressure data and compared the performance of decision tree ensemble classifiers when trained on three different datasets. Dataset 1 (n = 11) was collected in a previous study. Dataset 2 (n = 10) included six new participants and four participants from Dataset 1 who were re-tested (approximately 2 years later), and Dataset 3 (n = 21) combined Datasets 1 and 2. The prediction model trained on Dataset 3 had a 2.28% higher sensitivity and 3.09% lower specificity compared to the models trained on Dataset 1. The model trained on Dataset 3 identified 86.84% of the total FOG episodes compared to 74.31% from the model trained on Dataset 1. Also, the model using Dataset 3 identified the FOG episodes 0.3 s earlier than the model developed with Dataset 1. The model trained using Dataset 3 showed improved performance in sensitivity, identification time, and FOG identification. The improvements using the expanded dataset (Dataset 3) in this study compared to the previous model reinforce the validity and generalizability of the original model. The model was able to predict and detect FOG well and is, therefore, ready to be implemented in a FOG prevention device.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».