NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), teşhisi için belirli bir tıbbi teste sahip olmayan ikinci en yaygın nörolojik hastalıktır. Bu çalışmada, iki kanal üzerinden toplanan multimodal ses verilerine dayanan PD tespitini, yani Akıllı Telefon (SP) ve Akustik Kardiyoit (AC) olarak değerlendiriyoruz. Her kanaldan dört tür veri modaliteleri toplandı, yani sürekli fonasyon (P), konuşma (S), sesli (V), ve sesli olmayan (U) modalite. Bu makalenin katkıları iki katlıdır. İlk olarak, optimal veri modalitesini ve PD hakkında daha iyi bilgiye sahip özellikleri araştırıyor. İkincisi, PD tespiti için MultiModal Data-Driven Ensemble (MMDD-Ensemble) yaklaşımı önermektedir. MMDD-Ensemble'ın iki seviyesi vardır. İlk seviyede, multimodal ses verileri tarafından yönlendirilen farklı temel sınıflandırıcılar geliştirilmiştir. İkinci seviyede, temel sınıflandırıcıların tahminleri harmanlama ve oylama yöntemleri kullanılarak kaynaştırılır. Önerilen yöntemin sağlamlığını doğrulamak için, doğruluk, hassasiyet, özgüllük, Matthews korelasyon katsayısı (MCC) ve eğrinin altındaki alan (AUC) olmak üzere altı değerlendirme önlemi benimsenmiştir. Önerilen yöntem, hem anahtar değerlendirme açısından, yani doğruluk ve AUC'den optimal unimodal çerçeve tarafından üretilen en iyi sonuçları geride bıraktı. Ayrıca, önerilen yöntem diğer en son model topluluk modellerinden de daha iyi performans gösterdi. Deneysel sonuçlar, önerilen multimodal yaklaşımın% 96 doğruluk,% 100 hassasiyet,% 88.88 özgüllük, MCC'nin 0.914'ü ve AUC'nin 0.986'sını verdiğini göstermektedir. Bu sonuçlar, multimodal ses verilerine dayalı PD tespiti için son zamanlarda bildirilen sonuçlara kıyasla umut vericidir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is the second most common neurological disease having no specific medical test for its diagnosis. In this study, we consider PD detection based on multimodal voice data that was collected through two channels, i.e., Smart Phone (SP) and Acoustic Cardioid (AC). Four types of data modalities were collected through each channel, namely sustained phonation (P), speech (S), voiced (V), and unvoiced (U) modality. The contributions of this paper are twofold. First, it explores optimal data modality and features having better information about PD. Second, it proposes a MultiModal Data-Driven Ensemble (MMDD-Ensemble) approach for PD detection. The MMDD-Ensemble has two levels. At the first level, different base classifiers are developed that are driven by multimodal voice data. At the second level, the predictions of the base classifiers are fused using blending and voting methods. In order to validate the robustness of the propose method, six evaluation measures, namely accuracy, sensitivity, specificity, Matthews correlation coefficient (MCC), and area under the curve (AUC), are adopted. The proposed method outperformed the best results produced by optimal unimodal framework from both the key evaluation aspects, i.e., accuracy and AUC. Furthermore, the proposed method also outperformed other state-of-the-art ensemble models. Experimental results show that the proposed multimodal approach yields 96% accuracy, 100% sensitivity, 88.88% specificity, 0.914 of MCC, and 0.986 of AUC. These results are promising compared to the recently reported results for PD detection based on multimodal voice data.
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.