NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Mevcut çalışma, klinik hastalardan ve sağlıklı kontrollerden kaydedilen kahkahaların ses yapılarını analiz eden nöral ağ sınıflandırıcılarının depresyonu için tanı performansını araştırıyor. Bu çalışmanın temel metodolojik yeniliği, gülmenin basit ses değişkenlerinin, elektrofizyolojik sinyaller veya yerel alan potansiyelleri (LFP'ler) veya konuşulan dil deyimleri yerine, her zamanki protokoller olan girdiler olarak kullanılmasıdır. 30 hastadan 934 kahkaha ve 20 kontrol içeren bu çalışmada, duyarlılık analizi için dört farklı sinir ağı modeli test edildi ve depresyon tespiti için ek olarak eğitildi. Kayıtlardan bazı temel ses değişkenleri çıkarıldı: zamanlama, temel frekans ortalaması, ilk üç formant, ortalama güç ve Shannon-Wiener entropisi. Elde edilen sonuçlarda, nöral ağlardan ikisi sırasıyla %93,02 ve %91,15'lik bir teşhis ayrımcılık yeteneği gösterirken, üçüncü ve dördüncü olanlar %87,96 ve %82,40'lık bir başarı oranına sahiptir. Dikkat çekici bir şekilde, entropi, hastalar ve kontroller arasında ayrım yapmak için temel bir değişken olarak ortaya çıkar ve bu, kahkaha ve depresyon arasındaki derin nörobilişsel ilişkileri anlamak için gerekli olan önemli bir faktördür. Biyomedikal açıdan, sinir ağı sınıflandırıcı tabanlı nöroprotezimiz, aynı metodolojiyi diğer zihinsel sağlık ve nöropsikiyatrik patolojilere uygulama olasılığını açar. Gerçekten de, Alzheimer ve Parkinson'un erken teşhis ve prognozunda kahkaha uygulamasının araştırılması, hem biyomedikal hem de hesaplama açısından cazip bir olasılığı temsil edecektir.
Özgün kaynak özetini okuyun
The present work explores the diagnostic performance for depression of neural network classifiers analyzing the sound structures of laughter as registered from clinical patients and healthy controls. The main methodological novelty of this work is that simple sound variables of laughter are used as inputs, instead of electrophysiological signals or local field potentials (LFPs) or spoken language utterances, which are the usual protocols up-to-date. In the present study, involving 934 laughs from 30 patients and 20 controls, four different neural networks models were tested for sensitivity analysis, and were additionally trained for depression detection. Some elementary sound variables were extracted from the records: timing, fundamental frequency mean, first three formants, average power, and the Shannon-Wiener entropy. In the results obtained, two of the neural networks show a diagnostic discrimination capability of 93.02 and 91.15% respectively, while the third and fourth ones have an 87.96 and 82.40% percentage of success. Remarkably, entropy turns out to be a fundamental variable to distinguish between patients and controls, and this is a significant factor which becomes essential to understand the deep neurocognitive relationships between laughter and depression. In biomedical terms, our neural network classifier-based neuroprosthesis opens up the possibility of applying the same methodology to other mental-health and neuropsychiatric pathologies. Indeed, exploring the application of laughter in the early detection and prognosis of Alzheimer and Parkinson would represent an enticing possibility, both from the biomedical and the computational points of view.
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.