NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu günlerde, sistemin gelişiminin sonucunu tahmin etme yeteneği, sistemin başarılı bir şekilde işlemesinin garantisidir. Bilginin kalitesini ve hacmini artırmak, sunumunu karmaşıklaştırmak, gizli bağlantıları tespit etme ihtiyacı, klasik istatistiksel tahmin yöntemlerini kullanmak için etkisiz ve çoğu zaman imkansız hale getirir. Çeşitli tahmin yöntemleri arasında, yapay sinir ağlarının kullanımına dayalı yöntemler özel bir yer işgal eder. Çalışmamızın temel amacı, bir motor kontrol performans test sistemi kullanılarak elde edilen verileri kullanarak bir kişide depresyon riskini öngören bir sinir ağı oluşturmaktır. Stop-signal paradigma (SSP), bir kişinin kasıtlı hareketleri aktive etme veya dış koşullar için yetersiz hale gelen hareketleri engelleme yeteneğini değerlendirmek için deneysel bir tekniktir. Modern tıpta, SSP en çok Parkinson hastalığı veya inmenin etkileri gibi hareket bozukluklarını teşhis etmek için kullanılır. SSP'nin depresyon da dahil olmak üzere duygusal hastalık riskini tespit etmek için bir temel teşkil edebileceğini varsaymıştık. Geliştirdiğimiz nöral ağ, şu davranışsal göstergeleri bir araya getirecektir: cevapsız yanıtların miktarı, doğru yanıtların miktarı, ortalama süre, stop-sinyal başlangıcından sonra hareketlerin doğru inhibisyonu miktarı. Böyle bir gösterge kombinasyonu, bir kişide depresyonun varlığını tahmin etmede daha fazla doğruluk sağlayacaktır. Çalışmada uygulanan yapay sinir ağı, dur işareti görevinde elde edilen verilere dayanarak depresyon riskinin teşhis edilmesini sağlar. İnsanlarda motor kontrol göstergelerini test etmek için bir mimari geliştirildi ve bir sistem uygulandı, daha sonra gerçek deneylerde test edildi. Nöral ağ teknolojileri ve matematiksel istatistik yöntemlerinin karşılaştırılması gerçekleştirildi. Stop-signal paradigma verilerini kullanarak depresyon riskini teşhis etmek için bir sinir ağı uygulandı. Nöral ağın verimliliği (doğruluk açısından) veriler üzerinde, depresyonun varlığı ve motor kontrol test sisteminden gelen veriler için uzman bir değerlendirme ile gösterilmiştir.
Özgün kaynak özetini okuyun
These days, the ability to predict the result of the development of the system is the guarantee of the successful functioning of the system. Improving the quality and volume of information, complicating its presentation, the need to detect hidden connections makes it ineffective, and most often impossible, to use classical statistical forecasting methods. Among the various forecasting methods, methods based on the use of artificial neural networks occupy a special place. The main objective of our work is to create a neural network that predicts the risk of depression in a person using data obtained using a motor control performance testing system. The stop-signal paradigm (SSP) is an experimental technique to assess a person's ability to activate deliberate movements or inhibit movements that have become inadequate to external conditions. In modern medicine, the SSP is most commonly used to diagnose movement disorders such as Parkinson's disease or the effects of stroke. We hypothesized that SSP could serve as a basis for detecting the risk of affective diseases, including depression. The neural network we are developing is supposed to combine such behavioral indicators as: the amount of missed responses, amount of correct responses, average time, the amount of correct inhibition of movements after stop-signal onset. Such a combination of indicators will provide increased accuracy in predicting the presence of depression in a person. The artificial neural network implemented in the work allows diagnosing the risk of depression on the basis of the data obtained in the stop-signal task. An architecture was developed and a system was implemented for testing motor control indicators in humans, then it was tested in real experiments. A comparison of neural network technologies and methods of mathematical statistics was carried out. A neural network was implemented to diagnose the risk of depression using stop-signal paradigm data. The efficiency of the neural network (in terms of accuracy) was demonstrated on data with an expert assessment for the presence of depression and data from the motor control testing system.
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.