دانلود ترجمه مقاله سیستم مبتنی بر وب برای نظارت خانگی بیماران مبتلا به پارکینسون

1. مقدمه 2. تشریح سیستم 3. مشخصات سیستم 4. پیاده سازی آزمایشی 5. نتیجه گیری

این مقاله، MercuryLive، که بستری برای ممکن سازی نظارت بیماران در منزل دچار بیماری پارکینسون (PD) با استفاده از حسگرهای پوشیدنی است، را معرفی می کند. MercuryLive، حاوی سه اتصال است: یک موتور گردآوری داده آگاه از منابع که بر حسگرهای پوشیدنی تاکید دارد، خدمات وب برای هدایت تصاویر زنده و ذخیره داده های حسگر و یک رابط کاربری گرافیکی با قابلیت کنفرانس ویدئویی. علاوه بر آن، این بستر قابلیت تحلیل داده های حسگر (یعنی شتاب سنج) برای برآورد مطمئن نمره های بالینی با استخراج شدت رعشه، کندجنبی و سریع جنبی، را دارا می باشد. نتایج آزمایش تاخیر داده میانگین کمتر از 400 میلی ثانیه و تاخیر ویدئویی حدود 200 میلی ثانیه با فریم ریت ویدئویی حدود 13 فریم در ثانیه، هنگامی که پهنای باند 800 kb/s وجود داشته باشد را نشان داد و ما از فشرده سازی ویدئویی 40% استفاده کردیم، و آپلود ویژگی داده ها نیاز به 1 دقیقه زمان اضافه بعد از یک جلسه تعاملی 10 دقیقه ای داشت. این نتایج نشان می دهند که بستر پیشنهادی برای نظارت بر بیماران دچار PD برای تسهیل تیتراسیون داروها در مراحل آخر بیماری، مناسب است. مقدمه: بیماری پارکینسون (PD)، بیش از 500 هزار نفر را در آمریکا به خود مبتلا کرده است. ویژگی های حرکتی اصلی PD، عبارتند از رعشه، کندحرکتی، ثابت بدن و اختلال تعادل در ایستادن [1]. درمان های فعلی در مدیریت علائم پارکینسون در مراحل اولیه بیماری، موثر هستند. اما، در مراحل آخر این بیماری، بیماران دچار اختلالات حرکتی، یعنی کاهش ناگهانی کارایی داروها در انتهای یک بازه دوز بندی و حرکت های فوش جنبشی ناخواسته معروف به تندحرکتی، می شوند [2]. نظارت بر تغییرات شدت علائم و اختلالات حرکتی (معروف به نوسانات حرکتی) می توانند تیتراسیون داروها، که جنبه ای از مدیریت بالینی بیماری های دچار PD هستند و با پیشرفت بیماری چالش برانگیز می شود، را تسهیل کنند.

This letter introduces MercuryLive, a platform to enable home monitoring of patients with Parkinson's disease (PD) using wearable sensors. MercuryLive contains three tiers: a resource-aware data collection engine that relies upon wearable sensors, web services for live streaming and storage of sensor data, and a web-based graphical user interface client with video conferencing capability. Besides, the platform has the capability of analyzing sensor (i.e., accelerometer) data to reliably estimate clinical scores capturing the severity of tremor, bradykinesia, and dyskinesia. Testing results showed an average data latency of less than 400 ms and video latency of about 200 ms with video frame rate of about 13 frames/s when 800 kb/s of bandwidth were available and we used a 40% video compression, and data feature upload requiring 1 min of extra time following a 10 min interactive session. These results indicate that the proposed platform is suitable to monitor patients with PD to facilitate the titration of medications in the late stages of the disease. INTRODUCTION: Parkinson’s disease (PD) affects more than 500 000 U.S. residents. The main motor features of PD are tremor, bradykinesia, rigidity, and impairment of postural balance [1]. Current therapies are effective in managing Parkinsonian symptoms in the early stages of the disease. However, in late-stage PD, patients develop motor complications, namely the abrupt loss of the efficacy of medications at the end of a dosing interval and involuntary hyperkinetic movements referred to as dyskinesia [2]. Monitoring changes in the severity of symptoms and motor complications (referred to as motor fluctuations) could facilitate the titration of medications, an aspect of the clinical management of patients with PD that becomes challenging as the disease progresses.