NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının (PD) erken teşhisi, hastalık gelişimini önlemek için klinik tanıda çok önemlidir. Bu çalışmada, PD'yi sağlık kontrolünden (HC) iki durumda, yani ilaç dışı ve ilaçsız olarak tespit etmek için verimli ayrık dalgacık dönüşümü (DWT) tabanlı yöntemler sunuyoruz. İlk olarak, EEG sinyalleri DWT kullanarak birkaç EEG alt bandına (yaklaşık ve detaylar) ayrıştırılmadan önce büyük eserleri çıkarmak için önceden işlenir. Daha sonra özellikler, farklı entropi önlemleri kullanılarak dalgacık paket türetilmiş yeniden yapılandırılmış sinyallerden çıkarılır, yani, günlük enerji entropisi, Shannon entropisi, eşik entropisi, kesin entropi ve norm entropisi. Ortaya çıkan PD/HC özelliklerini sınıflandırmak için çeşitli makine öğrenme teknikleri araştırılmaktadır. DWT katsayılarının ve beyin bölgelerinin sınıflandırma doğruluğu üzerindeki etkileri de araştırılmaktadır. Önerilen yöntemleri doğrulamak için iki genel veri kümesi kullanılır: SanDiego veri kümesi (31 konu, 93 dakika) ve UNM veri kümesi (54 konu, 54 dakika). Sonuçlar umut vericidir ve dört entropi önlemi olduğunu göstermektedir: günlük enerji entropisi, eşik entropisi, kesin entropi ve değiştirilmiş-Shannon entropisi (TShEn) yüksek sınıflandırma doğruluğuna yol açar, bu da PD tespiti için iyi biyobelirteçler olduklarını gösterir. SanDiego veri kümesi ile, ilaç dışı PD'nin HC'ye karşı sınıflandırma sonuçları sırasıyla, DWT + TShEn ve KNN sınıflandırıcı kombinasyonu kullanılarak, doğruluk, duyarlılık ve özgüllük için 99.89, 99.87 ve 99.91'dir. Aynı kombinasyonu kullanarak, on-medication PD'nin HC'ye karşı sonuçları 94.21, 93.33 ve %95'tir. UNM veri kümesi ile elde edilen sınıflandırma doğruluğu, sırasıyla DWT + TShEn + SVM ve DWT + ThEn + KNN kullanılarak her iki durumda da% 99.5 civarındadır. Sonuçlar ayrıca tüm DWT katsayılarının önemini ve birkaç beyin bölgesinden uygun sayıda EEG kanalının seçilmesinin sınıflandırma doğruluğunu artırabileceğini göstermektedir.
Özgün kaynak özetini okuyun
Early detection of Parkinson's disease (PD) is very important in clinical diagnosis for preventing disease development. In this study, we present efficient discrete wavelet transform (DWT)-based methods for detecting PD from health control (HC) in two cases, namely, off-and on-medication. First, the EEG signals are preprocessed to remove major artifacts before being decomposed into several EEG sub-bands (approximate and details) using DWT. The features are then extracted from the wavelet packet-derived reconstructed signals using different entropy measures, namely, log energy entropy, Shannon entropy, threshold entropy, sure entropy, and norm entropy. Several machine learning techniques are investigated to classify the resulting PD/HC features. The effects of DWT coefficients and brain regions on classification accuracy are being investigated as well. Two public datasets are used to verify the proposed methods: the SanDiego dataset (31 subjects, 93 min) and the UNM dataset (54 subjects, 54 min). The results are promising and show that four entropy measures: log energy entropy, threshold entropy, sure entropy, and modified-Shannon entropy (TShEn) lead to high classification accuracy, indicating they are good biomarkers for PD detection. With the SanDiego dataset, the classification results of off-medication PD versus HC are 99.89, 99.87, and 99.91 for accuracy, sensitivity, and specificity, respectively, using the combination of DWT + TShEn and KNN classifier. Using the same combination, the results of on-medication PD versus HC are 94.21, 93.33, and 95%. With the UNM dataset, the obtained classification accuracy is around 99.5% in both cases of off-and on-medication PD using DWT + TShEn + SVM and DWT + ThEn + KNN, respectively. The results also demonstrate the importance of all DWT coefficients and that selecting a suitable small number of EEG channels from several brain regions could improve the 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.