NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Beynin elektriksel faaliyetleri hakkında en hayati bilgi Elektroensefalografi (EEG) sinyalleri yardımıyla elde edilebilir. Beynin nöral faaliyetlerini analiz etmek için oldukça güçlü bir araçtır ve epilepsi, şizofreni, uyku ile ilgili bozukluklar, parkinson hastalığı vb. gibi çeşitli nörolojik bozukluklar EEG sinyalleri yardımıyla iyi araştırılabilir. Amaç: Bu makalede, epilepsi ve şizofreninin EEG veri kümelerinden verimli bir şekilde sınıflandırılması için iki çok yönlü derin öğrenme yöntemi önerilmiştir. Yöntemler: Derin öğrenmeyi diğer makine öğrenimi algoritmalarıyla karşılaştırıldığında kullanmanın temel avantajı, özellik mühendisliğini kendi başına gerçekleştirme yeteneğine sahip olmasıdır. Swarm zekası aynı zamanda çok çeşitli gerçek dünya, karmaşık ve doğrusal olmayan problemleri çözmek için son derece kullanışlı bir tekniktir. Bu nedenle, bu faktörlerden yararlanarak, önerilen ilk yöntem, sürü tabanlı derin öğrenme yöntemi ile bir Sparse Autoencoder (SAE) ve Parçacık Swarm Optimizasyonu (PSO) tekniği, Guguklu Arama Optimizasyonu (CSO) tekniği ve Yarasa Algoritması (BA) tekniği kullanılarak (SASDL) olarak adlandırılmıştır; ve önerilen ikinci teknik, Çift Yönlü Uzun Süreli Bellek (BILSTM), Dikkat Q Öğrenme ve LSTM olarak adlandırılan Takviye Öğrenmedir. Sonuçlar ve Sonuç: Bu iki yeni derin öğrenme tekniğinin her ikisi de epilepsi ve şizofreni EEG veri kümeleri üzerinde test edilir ve sonuçlar kapsamlı bir şekilde analiz edilir ve tüm veri kümeleri için %93'ten fazla iyi bir sınıflandırma doğruluğu elde edilir.
Özgün kaynak özetini okuyun
The most vital information about the electrical activities of the brain can be obtained with the help of Electroencephalography (EEG) signals. It is quite a powerful tool to analyze the neural activities of the brain and various neurological disorders like epilepsy, schizophrenia, sleep related disorders, parkinson disease etc. can be investigated well with the help of EEG signals. Goal: In this paper, two versatile deep learning methods are proposed for the efficient classification of epilepsy and schizophrenia from EEG datasets. Methods: The main advantage of using deep learning when compared to other machine learning algorithms is that it has the capability to accomplish feature engineering on its own. Swarm intelligence is also a highly useful technique to solve a wide range of real-world, complex, and non-linear problems. Therefore, taking advantage of these factors, the first method proposed is a Sparse Autoencoder (SAE) with swarm based deep learning method and it is named as (SASDL) using Particle Swarm Optimization (PSO) technique, Cuckoo Search Optimization (CSO) technique and Bat Algorithm (BA) technique; and the second technique proposed is the Reinforcement Learning based on Bidirectional Long-Short Term Memory (BiLSTM), Attention Mechanism, Tree LSTM and Q learning, and it is named as (RBATQ) technique. Results and Conclusions: Both these two novel deep learning techniques are tested on epilepsy and schizophrenia EEG datasets and the results are analyzed comprehensively, and a good classification accuracy of more than 93% is obtained for all the datasets.
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.