NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu makalenin amacı, beyin elektriksel aktivite ölçümlerinin ritimlerini serebral korteksteki farklı konumlarda temsil etmek için üç diferansiyel sınıfla yönetilen Parkinson hastalığı hastalığı (PDI) için matematiksel bir modelin dinamiklerini incelemek için akıllı nöro-denetlenmiş ağların (INSN'ler) yeni bir tasarımını sunmaktır. Önerilen INSN'ler, Levenberg-Marquardt (LM) ve Bayesian düzenlileştirme (BR) optimizasyon yaklaşımları ile geri yayılımlı çok katmanlı yapı sinir ağlarının tırnaklarından faydalanılarak inşa edilmiştir. Giriş ızgaraları ve INSN'lerin hedef örnekleri için referans verileri, beyin elektriksel aktivitesinin ritimlerinin etkisini ölçmek için sensör konumlarının varyasyonu yoluyla PDI modellerinin güneş kuru senaryoları için Adams yöntemi ile güvenilir bir sayısal çözücü ile formüle edildi. Her iki geri yayılma prosedürü için tasarlanmış INSN'ler, ortalama kare hata tabanlı fitness fonksiyonunun optimizasyonu ile rastgele olarak eğitim, test ve doğrulama örneklerine ayrılmış oluşturulmuş veri kümeleri üzerinde uygulandı. Hem LM hem de BR metodolojileri aracılığıyla önerilen INSN'lerin kapsamlı simülasyonları temelinde sonuçların karşılaştırılması, PDI modellerinin referans çözümleri ile MSE üzerindeki öğrenme eğrileri, algoritmaların adaptif kontrol parametreleri, mutlak hata, histogram hata grafiği ve regresyon indeksi ile yapılmıştır. Sonuçlar, her iki INSN çözücüsünün PDI modellerinde farklı senaryolar için etkinliğini onaylar, ancak BR tabanlı yöntemin doğruluğu, biraz daha fazla hesaplama maliyetine rağmen nispeten daha üstündür.
Özgün kaynak özetini okuyun
The objective of this paper is to present a novel design of intelligent neuro-supervised networks (INSNs) in order to study the dynamics of a mathematical model for Parkinson's disease illness (PDI), governed with three differential classes to represent the rhythms of brain electrical activity measurements at different locations in the cerebral cortex. The proposed INSNs are constructed by exploiting the knacks of multilayer structure neural networks back-propagated with the Levenberg-Marquardt (LM) and Bayesian regularization (BR) optimization approaches. The reference data for the grids of input and the target samples of INSNs were formulated with a reliable numerical solver via the Adams method for sundry scenarios of PDI models by way of variation of sensor locations in order to measure the impact of the rhythms of brain electrical activity. The designed INSNs for both backpropagation procedures were implemented on created datasets segmented arbitrarily into training, testing, and validation samples by optimization of mean squared error based fitness function. Comparison of outcomes on the basis of exhaustive simulations of proposed INSNs via both LM and BR methodologies was conducted with reference solutions of PDI models by means of learning curves on MSE, adaptive control parameters of algorithms, absolute error, histogram error plots, and regression index. The outcomes endorse the efficacy of both INSNs solvers for different scenarios in PDI models, but the accuracy of the BR-based method is relatively superior, albeit at the cost of slightly more computations.
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.