NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının (PD) sınıflandırılmasında konuşma tabanlı verilerin kullanılmasının, son yıllarda invazif olmayan bir sınıflandırma modu sağladığı gösterilmiştir. Bu nedenle Parkinsonizme uygulanabilir konuşma modeli analiz yöntemlerine tahmin edici tele-tanıtım ve tele-izleme modelleri oluşturmak için ilgi artmıştır. Sınıflandırmaları optimize etmenin önündeki engellerden biri, toplanan konuşma örnekleri içindeki gürültüyü azaltmak, böylece daha iyi sınıflandırma doğruluğu ve istikrarı sağlamaktır. Şu anda kullanılan yöntemler etkili olsa da, örnek seçimini çağrıştırma yeteneği nadiren incelenmiştir.MetodlarBu çalışmada, çok düzenlemeli-yakın komşu (MENN) algoritma ve bir topluluk öğrenme algoritmasını birleştiren bir PD sınıflandırma algoritması önerilmiş ve incelenmiştir. İlk olarak, MENN algoritması en uygun eğitim konuşma örneklerini yinelemeli olarak seçmek için uygulanır, böylece yüksek ayrılabilirliğe sahip örnekler elde edilir. Daha sonra, bir topluluk öğrenme algoritması, rastgele orman (RF) veya dekorla ilgili sinir ağı toplulukları (DNNE), toplanan eğitim örneklerinden eğitimli örnekler oluşturmak için kullanılır. Son olarak, eğitimli topluluk öğrenme algoritmaları PD sınıflandırması için test örneklerine uygulanır. Bu önerilen yöntem, daha yakın zamanda yatırılan genel veri kümeleri kullanılarak incelendi ve şu anda geçerlilik için kullanılan diğer algoritmalarla karşılaştırıldı.SonuçlarDeneysel sonuçlar, önerilen algoritmanın, incelenen diğer algoritmaya kıyasla en yüksek derecede geliştirilmiş sınıflandırma doğruluğuna (%29.44) sahip olduğunu gösterdi. Ayrıca, MENN algoritmasının tek başına sınıflandırma doğruluğunu %45.72'ye kadar arttırdığı bulunmuştur. Ayrıca, önerilen algoritmanın özellikle MENN ve RF algoritmalarını birleştirirken daha yüksek bir istikrar sergilediği bulunmuştur.Bu çalışma, önerilen yöntemin konuşma verilerini kullanırken PD sınıflandırmasını iyileştirebileceğini ve PD sınıflandırma yöntemlerini geliştirmek isteyen gelecekteki çalışmalara uygulanabileceğini göstermiştir.
Özgün kaynak özetini okuyun
BackgroundThe use of speech based data in the classification of Parkinson disease (PD) has been shown to provide an effect, non-invasive mode of classification in recent years. Thus, there has been an increased interest in speech pattern analysis methods applicable to Parkinsonism for building predictive tele-diagnosis and tele-monitoring models. One of the obstacles in optimizing classifications is to reduce noise within the collected speech samples, thus ensuring better classification accuracy and stability. While the currently used methods are effect, the ability to invoke instance selection has been seldomly examined.MethodsIn this study, a PD classification algorithm was proposed and examined that combines a multi-edit-nearest-neighbor (MENN) algorithm and an ensemble learning algorithm. First, the MENN algorithm is applied for selecting optimal training speech samples iteratively, thereby obtaining samples with high separability. Next, an ensemble learning algorithm, random forest (RF) or decorrelated neural network ensembles (DNNE), is used to generate trained samples from the collected training samples. Lastly, the trained ensemble learning algorithms are applied to the test samples for PD classification. This proposed method was examined using a more recently deposited public datasets and compared against other currently used algorithms for validation.ResultsExperimental results showed that the proposed algorithm obtained the highest degree of improved classification accuracy (29.44%) compared with the other algorithm that was examined. Furthermore, the MENN algorithm alone was found to improve classification accuracy by as much as 45.72%. Moreover, the proposed algorithm was found to exhibit a higher stability, particularly when combining the MENN and RF algorithms.ConclusionsThis study showed that the proposed method could improve PD classification when using speech data and can be applied to future studies seeking to improve PD classification methods.
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.