NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son zamanlarda, Parkinson hastalığının (PD) teşhisi için tahmin edici telediagnostis ve telemonitör modeller oluşturmada konuşma patern analizi uygulamaları birçok araştırmacıyı cezbetmiştir. Bu amaçla, ses örneklerinin birkaç veri kümesi vardır; "Parkinson Speech Dataset with Multiple Types of Sound Recordings" adlı UCI veri kümesi, sağlıklı ve Parkinson hastalığı (PWP) olan insanlar için bir dizi konuşma egzersizinden derlenen sürekli sesli harfler, kelimeler, sayılar ve kısa cümleler içeren çeşitli ses testlerine sahiptir. Bazı araştırmacılar, her bir konunun birden fazla kaydını merkezi eğilim ve dağılım ölçümleriyle özetlemenin, PD için öngörücü bir model oluşturmada verimli bir strateji olduğunu iddia ediyor. Bununla birlikte, bir PD hastasının belirli terimleri telaffuz etmede diğer terimlerden daha fazla zorluk gösterebileceği noktayı gözden kaçırdılar. Bu nedenle, ses testlerini özetlemek değerli bilgilerin kaybına yol açabilir. Bu konuyu ele almak için, sınıflandırma ayarının söylenenleri dikkate alması gerekir. Çözüm olarak, her bir ses testi için bağımsız bir sınıflandırıcı uygulayan yeni bir çerçeve tanıttık. Nihai sınıflandırma sonucu, tüm sınıflandırıcılardan oy çoğunluğu olacaktır. Metodolojimiz filtre tabanlı özellik seçimi ile geldiğinde, sınıflandırma doğruluğunu %15'e kadar artırır.
Özgün kaynak özetini okuyun
Recently, speech pattern analysis applications in building predictive telediagnosis and telemonitoring models for diagnosing Parkinson's disease (PD) have attracted many researchers. For this purpose, several datasets of voice samples exist; the UCI dataset named "Parkinson Speech Dataset with Multiple Types of Sound Recordings" has a variety of vocal tests, which include sustained vowels, words, numbers, and short sentences compiled from a set of speaking exercises for healthy and people with Parkinson's disease (PWP). Some researchers claim that summarizing the multiple recordings of each subject with the central tendency and dispersion metrics is an efficient strategy in building a predictive model for PD. However, they have overlooked the point that a PD patient may show more difficulty in pronouncing certain terms than the other terms. Thus, summarizing the vocal tests may lead into loss of valuable information. In order to address this issue, the classification setting must take what has been said into account. As a solution, we introduced a new framework that applies an independent classifier for each vocal test. The final classification result would be a majority vote from all of the classifiers. When our methodology comes with filter-based feature selection, it enhances classification accuracy up to 15%.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.