kézírás és neurodegenarativ beetegségek kapcsolata
Az alábbiakban összefoglalom a megadott kontextusban szereplő három tudományos cikket, amelyek a neurodegeneratív betegségek (különösen a Parkinson-kór és az Alzheimer-kór) digitális kézírás-analízisén alapuló diagnosztikai lehetőségeit vizsgálják.
1. Parkinson-kór elemzése kinematikai, geometriai és nem-lineáris jellemzőkkel (PMID: 31046995) «✓ PMID:31046995»
Ez a tanulmány a kézírási zavarok modellezésére fókuszál Parkinson-kórban (PD), különböző funkcionális jellemzők kinyerésével (Direct, High; PMID: 31046995) «✓ PMID:31046995».
- Módszertan: A kutatók kinematikai (sebesség, gyorsulás, nyomás), geometriai és nem-lineáris dinamikai (NLD) jellemzőket vizsgáltak Arkhimédészi spirálok rajzolása és mondatírás közben (Direct, High; PMID: 31046995) «✓ PMID:31046995».
- Eredmények: A betegek és az egészséges kontrollcsoport közötti osztályozás során akár 93,1%-os pontosságot értek el (Direct, High; PMID: 31046995) «✓ PMID:31046995».
- Klinikai relevancia: A relevancia-analízis kimutatta, hogy a sebességhez, a gyorsuláshoz és a tollnyomáshoz kapcsolódó jellemzők a leginkább diszkriminatívak a diagnózis szempontjából (Direct, High; PMID: 31046995) «✓ PMID:31046995».
2. Alzheimer-kór korai felismerése hibrid mélytanulással és szimulált adatokkal (PMID: 41516732) «✓ PMID:41516732»
A kutatás az Alzheimer-kór (AD) korai detektálását célozza meg egy „Sim-to-Real” (szimuláltról valósra) tartomány-adaptációs stratégia segítségével (Direct, High; PMID: 41516732) «✓ PMID:41516732».
- Módszertan: A kevés klinikai adat okozta problémát szintetikus kézírásminták generálásával hidalták át, amelyeket valós páciensek adataival kombináltak. Egy hibrid CNN-BiLSTM (konvolúciós és kétirányú hosszú-rövid távú memória) architektúrát alkalmaztak 18 kinematikai csatorna elemzésére (Direct, High; PMID: 41516732) «✓ PMID:41516732».
- Eredmények: A modell 91,2%-os pontosságot és 93,4%-os szenzitivitást ért el az AD-betegek azonosításában (Direct, High; PMID: 41516732) «✓ PMID:41516732».
- Klinikai relevancia: A kutatás igazolta, hogy a rángatózás (jerk) és a giroszkópos jelek variabilitása az Alzheimer-kór egyik legerősebb motoros prediktora (Direct, High; PMID: 41516732) «✓ PMID:41516732».
3. Újszerű funkciókinyerés és optimalizálás a Parkinson-kór detektálására (PMID: 39854412) «✓ PMID:39854412»
Ez a tanulmány egy új típusú, „nyomaték” (moment) alapú jellemzőt vezet be a Parkinson-kór és az esszenciális tremor (ET) megkülönböztetésére (Direct, High; PMID: 39854412) «✓ PMID:39854412».
- Módszertan: A javasolt „nyomaték” jellemző integrálja a kinematikai, nyomás- és szögadatokat, átfogóbb képet adva a toll mozgásáról. Az osztályozást egy eCOA (escape Coati Optimization Algorithm) algoritmussal optimalizált AdaBoost klasszifikátorral végezték (Direct, High; PMID: 39854412) «✓ PMID:39854412».
- Eredmények: A módszer kiemelkedő, 97,95% és 98,67%-os pontosságot mutatott különböző adatbázisokon (Direct, High; PMID: 39854412) «✓ PMID:39854412».
- Klinikai relevancia: A frekvencia-tartománybeli statisztikai jellemzők (FFT és Wavelet transzformációk) hatékonyabbnak bizonyultak a betegségek közötti finom különbségek feltárásában, mint a hagyományos időtartománybeli statisztikák (Direct, High; PMID: 39854412) «✓ PMID:39854412».