NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjectiveParkinson hastalığı (PD), ciddi bir nörodejeneratif bozukluktur. PD hastalarının çoğunun ses bozukluğu olduğu bildirilmektedir. Ancak bu ses bozuklukları ortak dinleyiciler tarafından algılanamaz. Bu nedenle, otomatik PD tespiti için farklı makine öğrenme yöntemleri geliştirilmiştir. Bununla birlikte, bu yöntemler genelleme ve klinik olarak önemli sınıflandırma performansından yoksundur veya konu çakışması sorunuyla karşı karşıyadır.MetodlarYukarıda tartışılan sorunların üstesinden gelmek için, PD'yi tespit etmek için ses sinyallerinin akustik analizini otomatik olarak gerçekleştirebilen hibrit bir akıllı sistem geliştirmeye çalışıyoruz. Önerilen akıllı sistem, boyutsallık azaltma ve genetik algoritma (GA) için doğrusal diskriminant analizini (LDA) öngörüsel bir model olarak kullanılan sinir ağının (NN) hiperparametre optimizasyonu için kullanır. Dahası, konu çakışmasını önlemek için, bir konuyu dışarıda (LOSO) doğrulaması olarak kullanırız.SonuçlarÖnerilen yöntem yani LDA-NN-GA, doğruluk, hassasiyet, özgüllük ve Matthew korelasyon katsayısı açısından birden fazla sürekli fonasyon verisi türü üzerinde yapılan sayısal deneylerde değerlendirilir. Eğitim veri tabanında %95, tüm çıkarılan özellikleri kullanarak test veri tabanında ise %100 sınıflandırma doğruluğu sağlar. Ancak, veri kümesi cinsiyet açısından dengesiz olduğu için, bu nedenle, tarafsız sonuçlar elde etmek için, cinsiyete bağlı özellikleri ortadan kaldırdık ve daha tarafsız sonuçlar gibi görünen test veritabanı için% 80 ve% 82.14 doğruluk elde ettik. Klinik Etki: Deneysel sonuçlar, önerilen otomatik teşhis sisteminin PD hastalarını sağlıklı deneklerden sınıflandırma potansiyeline sahip olduğunu göstermektedir. Ayrıca, gelecekte önerilen yöntem, zorlu görevler olarak kabul edilen prodromal ve diferansiyel tanı için de kullanılabilir.
Özgün kaynak özetini okuyun
ObjectiveParkinson's disease (PD) is a serious neurodegenerative disorder. It is reported that most of PD patients have voice impairments. But these voice impairments are not perceptible to common listeners. Therefore, different machine learning methods have been developed for automated PD detection. However, these methods either lack generalization and clinically significant classification performance or face the problem of subject overlap.MethodsTo overcome the problems discussed above, we attempt to develop a hybrid intelligent system that can automatically perform acoustic analysis of voice signals in order to detect PD. The proposed intelligent system uses linear discriminant analysis (LDA) for dimensionality reduction and genetic algorithm (GA) for hyperparameters optimization of neural network (NN) which is used as a predictive model. Moreover, to avoid subject overlap, we use leave one subject out (LOSO) validation.ResultsThe proposed method namely LDA-NN-GA is evaluated in numerical experiments on multiple types of sustained phonations data in terms of accuracy, sensitivity, specificity, and Matthew correlation coefficient. It achieves classification accuracy of 95% on training database and 100% on testing database using all the extracted features. However, as the dataset is imbalanced in terms of gender, thus, to obtain unbiased results, we eliminated the gender dependent features and obtained accuracy of 80% for training database and 82.14% for testing database, which seems to be more unbiased results.ConclusionCompared with the previous machine learning methods, the proposed LDA-NN-GA method shows better performance and lower complexity. Clinical Impact: The experimental results suggest that the proposed automated diagnostic system has the potential to classify PD patients from healthy subjects. Additionally, in future the proposed method can also be exploited for prodromal and differential diagnosis, which are considered challenging tasks.
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.