NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Nörodejeneratif bir bozukluk olarak Parkinson hastalığı (PD), insan beyninin sinir hücrelerini etkiler. Erken teşhis ve tedavi, PD semptomlarını hafifletmeye yardımcı olabilir. Son PD çalışmaları, hastaların PD'nin erken aşamalarında vokal değişiklikler ve bozukluklarla karşılaşması nedeniyle, PD tespiti için bir haberci olarak vokal bozukluklarından özellikleri çıkardı. Bu çalışmada, bir Ana Bileşen Analizi (PCA) ve bir Sparse Autoencoder (SAE) ile bütünleşen bir Destek Vektör Makinesine (SVM) dayanan iki hibrit model, PD hastalarını vokal özelliklerine göre tespit etmek için önerilmiştir. İlk model, PCA kullanan her bir özelliğin açıklanmış varyansına dayanarak vokal özelliklerinin ana bileşenlerini çıkardı ve azalttı. İlk kez, ikinci model, vokal özelliklerini daha düşük boyutlu gizli alana sıkıştırmak için L1 düzenlileştirme ile birden fazla gizli katmandan oluşan bir SAE'nin Deep Neural Network (DNN) romanını kullandı. Her iki modelde de, azaltılmış özellikler, verileri daha yüksek bir boyuta yansıtmanın yanı sıra, hiper düzlemleri öğrenerek sınıflandırmayı gerçekleştiren girdiler olarak SVM'ye beslendi. Bir F1-score, bir Mathews Korelasyon Katsayısı (MCC) ve bir Precision-Recall eğrisi, son derece dengesiz veriler nedeniyle önerilen modelleri değerlendirmek için doğrulukla birlikte kullanılmıştır. 0.935, F1-score 0.951 ve MCC değeri 0.788'in en yüksek doğruluğu ile, sondalama sonuçları SAE-SVM'nin önerilen modelinin sadece PCA-SVM'nin eski modelini ve Çok Katmanlı Perceptron (MLP), Extreme Gradient Boosting (XGBoost), K-Near Neighbor (KNNN) ve Random Forest (RF) gibi diğer standart modelleri aşmadığını, aynı zamanda son iki veri setini de aştığını göstermektedir. Veri kümesini SMOTE ile aşırı örneklemek ve dengelemek, modellerin performansını artırdı.
Özgün kaynak özetini okuyun
As a neurodegenerative disorder, Parkinson's disease (PD) affects the nerve cells of the human brain. Early detection and treatment can help to relieve the symptoms of PD. Recent PD studies have extracted the features from vocal disorders as a harbinger for PD detection, as patients face vocal changes and impairments at the early stages of PD. In this study, two hybrid models based on a Support Vector Machine (SVM) integrating with a Principal Component Analysis (PCA) and a Sparse Autoencoder (SAE) are proposed to detect PD patients based on their vocal features. The first model extracted and reduced the principal components of vocal features based on the explained variance of each feature using PCA. For the first time, the second model used a novel Deep Neural Network (DNN) of an SAE, consisting of multiple hidden layers with L1 regularization to compress the vocal features into lower-dimensional latent space. In both models, reduced features were fed into the SVM as inputs, which performed classification by learning hyperplanes, along with projecting the data into a higher dimension. An F1-score, a Mathews Correlation Coefficient (MCC), and a Precision-Recall curve were used, along with accuracy to evaluate the proposed models due to highly imbalanced data. With its highest accuracy of 0.935, F1-score of 0.951, and MCC value of 0.788, the probing results show that the proposed model of the SAE-SVM surpassed not only the former model of the PCA-SVM and other standard models including Multilayer Perceptron (MLP), Extreme Gradient Boosting (XGBoost), K-Nearest Neighbor (KNN), and Random Forest (RF), but also surpassed two recent studies using the same dataset. Oversampling and balancing the dataset with SMOTE boosted the performance of the models.
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.