Hybrid Feature Selection Framework for the Parkinson Imbalanced Dataset Prediction Problem.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Arka plan ve Amaçlar: Son zamanlarda, birçok çalışma Parkinson hastalığının (PD) erken tespitine odaklanmıştır. Bu hastalık, beyin hücrelerini hemen etkileyen ve hareketi, işitmeyi ve çeşitli bilişsel işlevleri etkileyen bir grup nörolojik probleme aittir. Tıbbi veri setleri genellikle sınıflarında eşit olarak dağıtılmaz ve bu, hastaların sınıflandırılmasında bir önyargı verir. PD gibi dengesiz veri kümeleriyle başa çıkabilen bir Hibrit özellik seçim çerçevesi gerçekleştirdik. Dengesiz veri kümeleriyle başa çıkmak için SOMTE algoritmasını kullanın. Veri kümesindeki özelliklerden çelişkiyi gidermek ve Özyinelemeli Özellik Eliminasyonu (RFE) ve İlke Bileşen Analizi (PCA) kullanarak işlem süresini azaltmak. Gereç ve Yöntemler: PD akustik veri kümeleri ve kontrol deneklerinin özellikleri, Bagging, K-nearest neighbor (KNN), çok katmanlı algılayıcı ve destek vektör makinesi (SVM) gibi sınıflandırma modelleri oluşturmak için kullanıldı. Baskı öncesi aşamada, iki özellik seçimi RFE ve PCA ile sentetik azınlık aşırı örnekleme tekniği (SMOTE) kullanıldı. PD veri kümesi, enfekte ve enfekte olmayan hastaların sayısı arasında büyük bir fark içerir ve bu da sınıflandırma yanlılığı sorununa neden olur. Bu nedenle, SMOTE bu sorunu çözmek için kullanılmıştır. Bulgular: Model değerlendirmesi için, deney için tren-test split tekniği kullanılmıştır. Tüm modeller Grid-search ayarlandı, SVM modelinin değerlendirme sonuçları %98,2 en yüksek doğruluğu gösterdi ve KNN modeli %99'luk en yüksek özgüllüğü sergiledi. Sonuç: Önerilen yöntem Parkinson hastalığını tespit etmek için mevcut modern yöntemler ve tıbbi hastalıklar için diğer yöntemler ile karşılaştırıldığında, gelişmiş sistemimizin veri yanlılığını tedavi edebileceği ve PD'nin yüksek bir tahminine ulaşabileceği ve bunun sağlık kuruluşlarının varlıkları doğru bir şekilde önceliklendirmesi için yararlı olabileceği kaydedildi.

Özgün kaynak özetini okuyun

Background and Objectives: Recently, many studies have focused on the early detection of Parkinson's disease (PD). This disease belongs to a group of neurological problems that immediately affect brain cells and influence the movement, hearing, and various cognitive functions. Medical data sets are often not equally distributed in their classes and this gives a bias in the classification of patients. We performed a Hybrid feature selection framework that can deal with imbalanced datasets like PD. Use the SOMTE algorithm to deal with unbalanced datasets. Removing the contradiction from the features in the dataset and decrease the processing time by using Recursive Feature Elimination (RFE), and Principle Component Analysis (PCA). Materials and Methods: PD acoustic datasets and the characteristics of control subjects were used to construct classification models such as Bagging, K-nearest neighbour (KNN), multilayer perceptron, and the support vector machine (SVM). In the prepressing stage, the synthetic minority over-sampling technique (SMOTE) with two-feature selection RFE and PCA were used. The PD dataset comprises a large difference between the numbers of the infected and uninfected patients, which causes the classification bias problem. Therefore, SMOTE was used to resolve this problem. Results: For model evaluation, the train-test split technique was used for the experiment. All the models were Grid-search tuned, the evaluation results of the SVM model showed the highest accuracy of 98.2%, and the KNN model exhibited the highest specificity of 99%. Conclusions: the proposed method is compared with the current modern methods of detecting Parkinson's disease and other methods for medical diseases, it was noted that our developed system could treat data bias and reach a high prediction of PD and this can be beneficial for health organizations to properly prioritize assets.

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.