Exploring quantile graphs: A novel approach for classifying Parkinson’s disease-related events during the TUG test
Notice bibliographique
Résumé
Parkinson’s disease (PD) is a neurological disorder that impacts the central nervous system, leading to a progressive decline in motor functions, including symptoms like tremors and episodes of freezing. An important area of research has been the challenges posed by these freezing episodes, during which individuals suddenly halt and struggle to resume coordinated movements. Recent studies have utilized electroencephalography (EEG) to analyze PD; however, this method faces certain limitations, prompting the investigation of alternative and interdisciplinary approaches to obtain a more comprehensive understanding of EEG signals. A promising methodology involves the use of Quantile Graphs (QGs), which have demonstrated potential in differentiating patients with various medical conditions. However, they have yet to be applied to those with PD. This article aims to explore the application of QGs for quantifying differences in the brains of individuals affected by PD, thereby paving the way for the integration of this method into PD research. To achieve this goal, EEG data were collected from 18 channels across six PD patients, capturing three distinct events during the Timed Up and Go (TUG) test: normal walking, freezing of gait (FoG), and voluntary stop. The combination of the QG method with machine learning techniques was effective in distinguishing between FoG and non-FoG EEG events. The findings validated the utility of QG in analyzing complex and nonlinear signals, such as those produced by EEG recordings in individuals with 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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».