NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yavaş ilerleyen bir nörodejeneratif bozukluk olan Parkinson hastalığı (PD), insanların günlük yaşamlarını olumsuz yönde etkiler. Erken teşhis, PD'nin etkilerini en aza indirmek için büyük önem taşımaktadır. PD hastalığının erken tanısında en önemli belirtilerden biri konuşmanın monotonluğu ve bozulmasıdır. Yapay zeka temelli yaklaşımlar, uzmanların ve doktorların bu bozuklukları otomatik olarak tespit etmelerine yardımcı olabilir. Bu çalışmada, PD'yi önceden teşhis edilmiş vakaların ses kayıtlarını içeren özelliklerden tespit etmek için çok seviyeli özellik seçimine dayanan yeni ve güçlü bir yaklaşım önerildi. Birinci seviyede, Chi-square ve L1-Norm SVM algoritmaları (CLS) ile özellik seçimi yapıldı. Daha sonra, bu algoritmalardan çıkarılan özellikler, örneklerin temsil gücünü artırmak için birleştirildi. Son seviyede, kombine özellik setinden son derece farklı olan örnekler, ReliefF algoritması kullanılarak özellik önem ağırlıkları ile seçildi. Sınıflandırma aşamasında, makine öğrenimi için KNN, SVM ve DT gibi popüler sınıflandırıcılar kullanıldı ve KNN sınıflandırıcısı ile en iyi performans elde edildi. Dahası, KNN sınıflandırıcısının hiperparametreleri Bayesian optimizasyon algoritması ile seçildi ve önerilen yaklaşımın performansı daha da geliştirildi. Önerilen yaklaşım, PD ve normal sınıfları içeren bir veri kümesi üzerinde 10 kat çapraz doğrulama tekniği kullanılarak değerlendirildi ve % 95,4 sınıflandırma doğruluğu elde edildi.
Özgün kaynak özetini okuyun
Parkinson's disease (PD), which is a slowly progressing neurodegenerative disorder, negatively affects people's daily lives. Early diagnosis is of great importance to minimize the effects of PD. One of the most important symptoms in the early diagnosis of PD disease is the monotony and distortion of speech. Artificial intelligence-based approaches can help specialists and physicians to automatically detect these disorders. In this study, a new and powerful approach based on multi-level feature selection was proposed to detect PD from features containing voice recordings of already-diagnosed cases. At the first level, feature selection was performed with the Chi-square and L1-Norm SVM algorithms (CLS). Then, the features that were extracted from these algorithms were combined to increase the representation power of the samples. At the last level, those samples that were highly distinctive from the combined feature set were selected with feature importance weights using the ReliefF algorithm. In the classification stage, popular classifiers such as KNN, SVM, and DT were used for machine learning, and the best performance was achieved with the KNN classifier. Moreover, the hyperparameters of the KNN classifier were selected with the Bayesian optimization algorithm, and the performance of the proposed approach was further improved. The proposed approach was evaluated using a 10-fold cross-validation technique on a dataset containing PD and normal classes, and a classification accuracy of 95.4% was achieved.
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.