NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), giderek daha fazla dikkat çeken yaygın bir nörodejeneratif hastalıktır. PD tanısı için birçok yapay zeka yöntemi kullanılmıştır. Bu çalışmada, PD'nin ses ölçümlerine dayalı erken tespiti için gelişmiş bir bulanık k-en yakın komşu (FKNN) yöntemi geliştirilmiştir. Önerilen yöntem, CBFO-FKNN olarak adlandırılan evrimsel örnek tabanlı bir öğrenme yaklaşımı, kaotik bakteriyel arama optimizasyonunu Gauss mutasyonu (CBFO) yaklaşımı ile FKNN ile birleştirerek geliştirilmiştir. CBFO tekniğinin entegrasyonu, FKNN'nin parametre ayarlama sorunlarını verimli bir şekilde çözdü. Önerilen CBFO-FKNN'nin etkinliği, sınıflandırma doğruluğu, hassasiyet, özgüllük ve AUC (alıcının çalışma karakteristik eğrisi altındaki alan) açısından PD veri kümelerininkilerle titizlikle karşılaştırıldı. Simülasyon sonuçları, önerilen yaklaşımın, BFO, parçacık sürü optimizasyonu, Genetik algoritmalar, meyve sineği optimizasyonu ve ateşböceği algoritmasına dayanan diğer beş FKNN modelinin yanı sıra, destek vektör makinesi (SVM), yerel öğrenme tabanlı özellik seçimine sahip SVM ve 10 kat çapraz doğrulama şemasında çekirdek aşırı öğrenme makinesi gibi üç gelişmiş makine öğrenme yönteminden daha iyi performans gösterdiğini belirtti. Bu makalede sunulan yöntem, klinik tanıda daha iyi bir karar vermek için klinisyenlere büyük kolaylık sağlayacak çok iyi bir beklentiye sahiptir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a common neurodegenerative disease, which has attracted more and more attention. Many artificial intelligence methods have been used for the diagnosis of PD. In this study, an enhanced fuzzy k-nearest neighbor (FKNN) method for the early detection of PD based upon vocal measurements was developed. The proposed method, an evolutionary instance-based learning approach termed CBFO-FKNN, was developed by coupling the chaotic bacterial foraging optimization with Gauss mutation (CBFO) approach with FKNN. The integration of the CBFO technique efficiently resolved the parameter tuning issues of the FKNN. The effectiveness of the proposed CBFO-FKNN was rigorously compared to those of the PD datasets in terms of classification accuracy, sensitivity, specificity, and AUC (area under the receiver operating characteristic curve). The simulation results indicated the proposed approach outperformed the other five FKNN models based on BFO, particle swarm optimization, Genetic algorithms, fruit fly optimization, and firefly algorithm, as well as three advanced machine learning methods including support vector machine (SVM), SVM with local learning-based feature selection, and kernel extreme learning machine in a 10-fold cross-validation scheme. The method presented in this paper has a very good prospect, which will bring great convenience to the clinicians to make a better decision in the clinical diagnosis.
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.