Parkinson's Disease Detection from Voice Recordings Using Associative Memories.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığı (PD), kronik olan ve zamanla kötüleşen nörolojik bir durumdur ve bu da zorlayıcı bir tanı sunar. PD hastalarını sağlıklı bireylerden tanımak için doğru bir teşhis gereklidir. Erken evrelerde PD tanısı bu bozukluğun şiddetini azaltabilir ve hastanın yaşam koşullarını iyileştirebilir. İlişkisel hafızaya (AM) dayalı algoritmalar, bu sağlık durumuna sahip hastaların ses örneklerini kullanarak PD tanısında uygulanmıştır. AM modelleri PD sınıflandırmasında rekabetçi sonuçlar elde etmiş olsa da, AM modelinde alakasız özellikleri tanımlayabilecek ve kaldırabilecek herhangi bir gömülü bileşene sahip değildir, bu da sınıflandırma performansını artıracaktır. Bu makalede, PD teşhisine uygulandığında SNDAM'ın sınıflandırma performansını artıran bir öğrenme takviyesi aşaması yoluyla en küçük normalleştirilmiş fark ilişkilendirmeli bellek (SNDAM) algoritmasına bir iyileştirme sunuyoruz. Deney aşamasında PD tanısı için yaygın olarak uygulanan iki veri kümesi kullanılmıştır. Her iki veri seti de sağlıklı insanlardan alınan ses örneklerinden ve PD'nin erken bir aşamasında bu durumdan muzdarip hastalardan toplandı. Bu veri kümelerine UCI Makine Öğrenme Deposu'nda halka açık olarak erişilebilir. ISNDAM modelinin verimliliği, WEKA tezgahta uygulanan yetmiş diğer modelin verimliliği ile karşılaştırıldı ve önceki çalışmaların performansıyla karşılaştırıldı. Karşılaştırmalı modeller arasındaki performans farklarının istatistiksel olarak anlamlı olduğunu doğrulamak için istatistiksel bir önem analizi yapılmıştır. Deneysel bulgular, ISNDAM adı verilen SNDAM algoritmasında önerilen iyileştirmenin, iyi bilinen algoritmalara kıyasla sınıflandırma performansını etkili bir şekilde artırdığını doğrulamamıza olanak tanır. ISNDAM, % 99.48'lik bir sınıflandırma doğruluğu elde eder, bunu % 95.89 ile ANN Levenberg-Marquardt ve % 88.21 ile SVM RBF çekirdeği Dataset 1'i kullanır. ISNDAM, % 99.66'lık bir sınıflandırma doğruluğu elde ederken, bunu %96.54 ile SVM IMF1 ve %94.89 ile RF IMF1, Dataset 2'yi kullanıyor. Deneysel bulgular, ISNDAM'ın her iki veri kümesinde de rekabetçi performans sağladığını ve istatistiksel önem testlerinin ISNDAM'ın önceki çalışmalarda yayınlanan modellere eşdeğer sınıflandırma performansı sağladığını doğruladığını göstermektedir.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a neurological condition that is chronic and worsens over time, which presents a challenging diagnosis. An accurate diagnosis is required to recognize PD patients from healthy individuals. Diagnosing PD at early stages can reduce the severity of this disorder and improve the patient's living conditions. Algorithms based on associative memory (AM) have been applied in PD diagnosis using voice samples of patients with this health condition. Even though AM models have achieved competitive results in PD classification, they do not have any embedded component in the AM model that can identify and remove irrelevant features, which would consequently improve the classification performance. In this paper, we present an improvement to the smallest normalized difference associative memory (SNDAM) algorithm by means of a learning reinforcement phase that improves classification performance of SNDAM when it is applied to PD diagnosis. For the experimental phase, two datasets that have been widely applied for PD diagnosis were used. Both datasets were gathered from voice samples from healthy people and from patients who suffer from this condition at an early stage of PD. These datasets are publicly accessible in the UCI Machine Learning Repository. The efficiency of the ISNDAM model was contrasted with that of seventy other models implemented in the WEKA workbench and was compared to the performance of previous studies. A statistical significance analysis was performed to verify that the performance differences between the compared models were statistically significant. The experimental findings allow us to affirm that the proposed improvement in the SNDAM algorithm, called ISNDAM, effectively increases the classification performance compared against well-known algorithms. ISNDAM achieves a classification accuracy of 99.48%, followed by ANN Levenberg-Marquardt with 95.89% and SVM RBF kernel with 88.21%, using Dataset 1. ISNDAM achieves a classification accuracy of 99.66%, followed by SVM IMF1 with 96.54% and RF IMF1 with 94.89%, using Dataset 2. The experimental findings show that ISNDAM achieves competitive performance on both datasets and that statistical significance tests confirm that ISNDAM delivers classification performance equivalent to that of models published in previous studies.

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.