V. DISCUSSIONFrom Figure 3, we can

V. DISCUSSION
From Figure 3, we can expect that it is difficult to separate
the classes using only two features. Therefore, the SVM
approach, using the RBF kernel, is useful for working in a
higher-dimensional space where the values for the principal
features are utilized to achieve the best nonlinear separation
between the classes.
The features selected for use in classification as shown in
Table I all together describe the 3D motion of the foot
through the air during walking. These principal features are
not obtainable from alternative gait analysis methods or
equipment such as looking at plantar pressure [2] or ground
reaction forces [3].
An examination of the features utilized in the multi-class
classification task to distinguish PD subjects with gait
disturbance from the other two classes allows us to
characterize parkinsonian gait. The gait abnormalities of PD
are characterized by decreased range of motion in all three
angular directions. PD gait is characterized by decreased
dorsiflexion and plantar flexion, a tendency to roll the foot
towards the inside during the swing phase of the step, and a
decreased swing of the foot in the positive yaw direction. PD
subjects with significant gait disturbances exhibit greater
variability in plantar flexion, a result consistent with existing
findings about increased gait variability in PD [9]. Lower
variability overall found here may be due to decreased
magnitude of all variables, and therefore decreased
magnitude of overall SD. Finally, increased maximum
cadence is consistent with previous studies that have found
parkinsonian patients to exhibit increased cadence compared
to controls [10].
Using the physical features selected in Table I, the model
performs both binary and multi-class classification tasks.
Table II summarizes the performance of our model in the
binary classification task of separating PD and control.
Looking at the equal costs column shows that the data
analysis algorithm produces a prediction model of high
sensitivity and specificity of over 93%, with a low false
positive rate of under 5%, and high precision of 97.7%. This
performance exceeds the results of previous studies by
around 10% in all metrics [3].
Comparing the results for an equal misclassification costs
model with a cost-sensitive model with varying costs shows
that the method successfully accommodates differing costs
for misclassification. The difference in costs is a parameter
that can be adjusted by clinicians. A 50% higher cost for
misclassifying a control subject as PD compared to
misclassifying a PD as control performs at 100% specificity
and precision, while maintaining sensitivity of 88.9%. This
performance exceeds the results of previous studies by close
to 15% [2]. The chosen relative cost difference for
misclassification is representative of a more conservative
approach to diagnosis, where a clinician wants to be certain
of the PD diagnoses that are made and avoid misdiagnoses of
the presence of PD.
From the prediction performance in the multi-class
classification task as shown in Table III, the model performs
best with respect to recall for control subjects. A class recall
for the control group of 91.7% indicates that 91.7% of
control subjects are correctly diagnosed not to have PD.
Having a high class recall for controls is significant in a
conservative diagnostic approach as described previously.
The model performs best with respect to precision for PD
subjects with gait disturbance. A precision of 84.6%
indicates that for 84.6% of subjects identified as PD with
gait disturbance, the prediction from the model accurately
reflects the underlying condition of the subject. It should be
noted that the remaining 15.4% of subjects incorrectly
identified as PD with gait disturbance are not controls, but
PD subjects that have not been clinically observed to have a
gait disturbance. The current clinical determination of gait
disturbance is subjective, so some variability with respect to
gait disturbance or not in PD subjects is expected.

ผลลัพธ์ (ไทย) 2:

โวลต์การอภิปรายจากรูปที่ 3 เราสามารถคาดหวังว่ามันยากที่จะแยกชั้นเรียนโดยใช้เพียงสองคุณสมบัติ ดังนั้น SVM วิธีการใช้เคอร์เนล RBF เป็นประโยชน์สำหรับการทำงานในพื้นที่ที่สูงขึ้นมิติที่ค่าสำหรับเงินต้นคุณสมบัติที่ถูกนำมาใช้เพื่อให้เกิดการแยกไม่เชิงเส้นที่ดีที่สุดระหว่างเรียน. คุณลักษณะที่เลือกไว้สำหรับการใช้งานในการจัดหมวดหมู่ตามที่ปรากฏในตารางที่ทั้งหมดเข้าด้วยกันอธิบายการเคลื่อนไหว 3 มิติของการเดินเท้าผ่านอากาศในระหว่างการเดิน คุณสมบัติที่สำคัญเหล่านี้จะไม่ได้มาจากวิธีการวิเคราะห์การเดินทางเลือกหรืออุปกรณ์เช่นมองที่ความดันplantar [2] หรือพื้นดินแรงปฏิกิริยา[3]. การตรวจสอบของคุณสมบัติที่ใช้ในหลายระดับงานการจำแนกแยกแยะความแตกต่างเรื่อง PD กับการเดินรบกวนจากที่อื่น ๆ สองชั้นช่วยให้เราสามารถอธิบายลักษณะการเดินParkinsonian เดินผิดปกติของ PD ที่โดดเด่นด้วยช่วงของการเคลื่อนไหวลดลงในทั้งสามทิศทางเชิงมุม เดิน PD เป็นลักษณะการลดลงdorsiflexion งอฝ่าเท้าและมีแนวโน้มที่จะม้วนเท้าไปทางด้านในระหว่างขั้นตอนการแกว่งของขั้นตอนและแกว่งลดลงของเท้าในทิศทางบวกหันเห PD วิชาที่มีการรบกวนการเดินอย่างมีนัยสำคัญมากขึ้นแสดงความแปรปรวนในการงอฝ่าเท้าเป็นผลสอดคล้องกับที่มีอยู่ในผลการวิจัยเกี่ยวกับความแปรปรวนในการเดินเพิ่มขึ้นPD [9] ที่ต่ำกว่าความแปรปรวนโดยรวมพบว่านี่อาจจะเป็นเพราะลดลงขนาดของตัวแปรทั้งหมดและดังนั้นจึงลดลงขนาดของSD โดยรวม สุดท้ายสูงสุดเพิ่มขึ้นจังหวะสอดคล้องกับการศึกษาก่อนหน้านี้ที่ได้พบผู้ป่วยParkinsonian แสดงจังหวะที่เพิ่มขึ้นเมื่อเทียบกับการควบคุม[10]. ใช้ลักษณะทางกายภาพที่เลือกในตารางที่รูปแบบการดำเนินการทั้งไบนารีและงานจัดหมวดหมู่หลายระดับ. ตารางที่ II สรุป ผลการดำเนินงานของรูปแบบของเราในงานที่จัดหมวดหมู่ไบนารีการแยกPD และการควบคุม. มองไปที่คอลัมน์ค่าใช้จ่ายเท่ากันแสดงให้เห็นว่าข้อมูลขั้นตอนวิธีการวิเคราะห์การผลิตรูปแบบการทำนายสูงไวและความจำเพาะกว่า93% ที่มีความผิดพลาดต่ำอัตราในเชิงบวกของภายใต้5% และมีความแม่นยำสูงของ 97.7% นี้ผลการดำเนินงานสูงกว่าผลการศึกษาก่อนหน้านี้โดยประมาณ10% ในตัวชี้วัดทั้งหมด [3]. การเปรียบเทียบผลสำหรับค่าใช้จ่ายเท่ากันจำแนกรูปแบบที่มีค่าใช้จ่ายในรูปแบบที่มีความอ่อนไหวกับค่าใช้จ่ายที่แตกต่างกันแสดงให้เห็นว่าวิธีการที่ประสบความสำเร็จสามารถรองรับค่าใช้จ่ายที่แตกต่างกันสำหรับการจำแนก ความแตกต่างในค่าใช้จ่ายที่เป็นพารามิเตอร์ที่สามารถปรับได้โดยแพทย์ ค่าใช้จ่ายที่สูงขึ้น 50% misclassifying เรื่องการควบคุมเป็น PD เมื่อเทียบกับmisclassifying PD เป็นดำเนินการควบคุมความจำเพาะ 100% และความแม่นยำในขณะที่รักษาความไวของ 88.9% นี้ผลการดำเนินงานสูงกว่าผลการศึกษาก่อนหน้านี้โดยใกล้ถึง15% [2] ที่เลือกความแตกต่างค่าใช้จ่ายญาติจำแนกเป็นตัวแทนของพรรคมากขึ้นแนวทางการวินิจฉัยโรคที่แพทย์ต้องการที่จะเป็นหนึ่งในการวินิจฉัยPD ที่ทำและหลีกเลี่ยงการ misdiagnoses ของการปรากฏตัวของPD. the จากผลการดำเนินงานคาดการณ์ในหลายระดับการจัดหมวดหมู่งานดังแสดงในตารางที่สามรูปแบบการดำเนินการที่ดีที่สุดเกี่ยวกับการเรียกคืนสำหรับกลุ่มควบคุม เรียกคืนระดับสำหรับกลุ่มควบคุมของ 91.7% แสดงให้เห็นว่า 91.7% ของกลุ่มควบคุมได้รับการวินิจฉัยอย่างถูกต้องไม่ให้มีPD. มีการเรียกคืนชั้นสูงสำหรับการควบคุมอย่างมีนัยสำคัญในวิธีการวินิจฉัยอนุรักษ์นิยมตามที่อธิบายไว้ก่อนหน้านี้. รูปแบบการดำเนินการที่ดีที่สุดเกี่ยวกับการ ความแม่นยำสำหรับ PD วิชาที่มีการรบกวนการเดิน ความแม่นยำของ 84.6% แสดงให้เห็นว่า 84.6% ของกลุ่มตัวอย่างระบุว่าเป็นตำรวจที่มีการรบกวนการเดินการทำนายจากแบบจำลองได้อย่างถูกต้องสะท้อนให้เห็นถึงสภาพพื้นฐานของเรื่อง มันควรจะตั้งข้อสังเกตว่าส่วนที่เหลืออีก 15.4% ของอาสาสมัครไม่ถูกต้องระบุว่าเป็นตำรวจที่มีการรบกวนการเดินไม่ได้ควบคุมแต่วิชา PD ที่ยังไม่ได้รับการปฏิบัติทางคลินิกจะมีการรบกวนการเดิน การกำหนดทางคลินิกในปัจจุบันของการเดินรบกวนเป็นส่วนตัวเพื่อความแปรปรวนบางส่วนที่เกี่ยวกับการเดินรบกวนหรือไม่ในวิชาPD คาดว่า

ผลลัพธ์ (ไทย) 3:

I'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husbandI'm going to sleep now, and I can dream, my dear husband