NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Erken teşhis, Parkinson hastalığının (PD) gelecekteki nöroprotektif tedavileri için hayati öneme sahiptir. Dinlenme durumu elektroensefalografik (EEG) kayıt, PD gibi nörolojik bozuklukların tespitine yardımcı olmak için uygun maliyetli bir araç olarak potansiyel göstermiştir. Bu çalışmada, elektrotların sayısının ve yerleştirilmesinin, PD hastalarını sınıflandırmayı ve EEG örnek entropisine dayalı makine öğrenimi kullanarak sağlıklı kontrolleri nasıl etkilediğini araştırdık. Sınıflandırma için optimize edilmiş kanal kümelerini seçmek için özel bir bütçe tabanlı arama algoritması kullandık ve sınıflandırma performansındaki değişiklikleri araştırmak için değişken kanal bütçeleri üzerinden yineledik. Verilerimiz, her biri gözlemlerin her iki gözü de açık (toplam N = 178) ve gözler kapalı (toplam N = 131) olarak toplanan üç farklı kayıt alanında toplanan 60 kanallı EEG'den oluşuyordu. Kayıt edilen gözler açık olan sonuçlarımız makul sınıflandırma performansını göstermiştir (ACC = .76; AUC = .76) Sadece 5 kanal birbirinden uzak, sağ-frontal, sol-zamansal ve orta hat-oksipital bölgeler de dahil olmak üzere seçilen bölgeler. Kanalların rastgele seçilen alt kümeleriyle karşılaştırıldığında, yalnızca nispeten küçük kanal bütçeleriyle geliştirilmiş sınıflandırıcı performansı gösterildi. Kaydedilen gözlerin kapalı olduğu sonuçlar, sürekli olarak daha kötü sınıflandırma performansı (gözlerin açık verileriyle karşılaştırıldığında) gösterdi ve sınıflandırıcı performansı, kanal sayısının bir fonksiyonu olarak daha istikrarlı bir şekilde gelişti. Özetle, sonuçlarımız, bir EEG kaydının elektrotlarının küçük bir alt kümesinin, tam bir elektrot setiyle eşit bir sınıflandırma performansına sahip PD'yi tespit etmek için yeterli olabileceğini göstermektedir. Ayrıca sonuçlarımız, ayrı ayrı toplanan EEG veri setlerinin makul sınıflandırma performansı ile havuzlu makine öğrenimi tabanlı PD tespiti için kullanılabileceğini göstermektedir.
Özgün kaynak özetini okuyun
Early detection is vital for future neuroprotective treatments of Parkinson's disease (PD). Resting state electroencephalographic (EEG) recording has shown potential as a cost-effective means to aid in detection of neurological disorders such as PD. In this study, we investigated how the number and placement of electrodes affects classifying PD patients and healthy controls using machine learning based on EEG sample entropy. We used a custom budget-based search algorithm for selecting optimized sets of channels for classification, and iterated over variable channel budgets to investigate changes in classification performance. Our data consisted of 60-channel EEG collected at three different recording sites, each of which included observations collected both eyes open (total N = 178) and eyes closed (total N = 131). Our results with the data recorded eyes open demonstrated reasonable classification performance (ACC = .76; AUC = .76) with only 5 channels placed far away from each other, the selected regions including right-frontal, left-temporal and midline-occipital sites. Comparison to randomly selected subsets of channels indicated improved classifier performance only with relatively small channel-budgets. The results with the data recorded eyes closed demonstrated consistently worse classification performance (when compared to eyes open data), and classifier performance improved more steadily as a function of number of channels. In summary, our results suggest that a small subset of electrodes of an EEG recording can suffice for detecting PD with a classification performance on par with a full set of electrodes. Furthermore our results demonstrate that separately collected EEG data sets can be used for pooled machine learning based PD detection with reasonable classification performance.
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.