NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), tüm dünyadaki insanları etkileyen çok yaygın bir beyin anormalliğidir. Böyle bir anormalliğin erken teşhisi, hastalığın ilerlemesini önlemek için klinik tanıda kritik öneme sahiptir. Elektroensefalografi (EEG), bu hastalık beyne bağlı olduğundan en önemli PD teşhis araçlarından biridir. Bu çalışmada, Parkinson hastalığını iki vakada tespit etmek için yeni verimli ortak mekansal desen tabanlı yaklaşımlar, ilaç dışı ve ilaç tedavisi önerilmiştir. İlk olarak, EEG sinyalleri, ortak bir mekansal desen kullanarak mekansal filtrelemeden önce büyük eserleri kaldırmak için önceden işlenir. Farklı metrikler, yani varyans, bant gücü, enerji ve çeşitli entropi türleri kullanılarak uzamsal olarak filtrelenmiş sinyallerden çeşitli özellikler çıkarılır. Makine öğrenme teknikleri, yani rastgele orman, doğrusal/kuadratik diskriminant analizi, destek vektör makinesi ve k-en yakın komşu, çıkarılan özellikleri sınıflandırmak için araştırılır. Bu çalışmada frekans bantlarının, segment uzunluğunun ve azalma sayısının sonuçları üzerindeki etkileri de araştırılmaktadır. Önerilen yöntemler iki EEG veri kümesi kullanılarak test edilir: SanDiego veri kümesi (31 katılımcı, 93 dakika) ve UNM veri kümesi (54 katılımcı, 54 dakika). Sonuçlar, önerilen yöntemlerin, özellikle ortak mekansal kalıpların ve log enerji entropisinin kombinasyonunun, literatürdeki yöntemlerle karşılaştırıldığında rekabetçi sonuçlar sağladığını göstermektedir. İlaç dışı PD tespiti durumunda sınıflandırma doğruluğu, duyarlılığı ve özgüllüğü açısından elde edilen sonuçlar %99 civarındadır. On-medication PD durumunda, sonuçlar% 95 ila% 98 arasında değişir. Sonuçlar ayrıca alfa ve beta bantlarından çıkarılan özelliklerin en yüksek sınıflandırma doğruluğuna sahip olduğunu ortaya koymaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a very common brain abnormality that affects people all over the world. Early detection of such abnormality is critical in clinical diagnosis in order to prevent disease progression. Electroencephalography (EEG) is one of the most important PD diagnostic tools since this disease is linked to the brain. In this study, novel efficient common spatial pattern-based approaches for detecting Parkinson's disease in two cases, off-medication and on-medication, are proposed. First, the EEG signals are preprocessed to remove major artifacts before spatial filtering using a common spatial pattern. Several features are extracted from spatially filtered signals using different metrics, namely, variance, band power, energy, and several types of entropy. Machine learning techniques, namely, random forest, linear/quadratic discriminant analysis, support vector machine, and k-nearest neighbor, are investigated to classify the extracted features. The impacts of frequency bands, segment length, and reduction number on the results are also investigated in this work. The proposed methods are tested using two EEG datasets: the SanDiego dataset (31 participants, 93 min) and the UNM dataset (54 participants, 54 min). The results show that the proposed methods, particularly the combination of common spatial patterns and log energy entropy, provide competitive results when compared to methods in the literature. The achieved results in terms of classification accuracy, sensitivity, and specificity in the case of off-medication PD detection are around 99%. In the case of on-medication PD, the results range from 95% to 98%. The results also reveal that features extracted from the alpha and beta bands have the highest classification accuracy.
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.