NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Amerika Birleşik Devletleri'nde ikinci en yaygın nörodejeneratif bozukluk olan Parkinson hastalığı, hafif bilişsel bozukluk ve bunama ile ilerleyebilen ciddi ve karmaşık bir hastalıktır. Hafif bilişsel bozukluğun erken tespiti ve biyobelirteçlerinin tanımlanması, nörologların hastalığın ilerlemesini izlemesinde destek olmak ve hastalar için yaşam kalitesini artıracak etkili terapötik tedavilerin erken başlatılmasına izin vermek için çok önemlidir. Bu makalede, Parkinson hastalığı olan hastalar için uykuda hafif bilişsel bozukluğu tespit etmek ve hastalığın ayrımcı özelliklerini daha da tanımlamak için ilk derin öğrenme temelli yaklaşımlar önermekteyiz. Önerilen çerçeveler, uyku Elektroensefalografi zaman serisini üç uyku evresine (yani, iki hızlı olmayan göz hareketi uyku evresi ve bir hızlı göz hareketi uyku aşaması) ayırarak başlar, sürekli dalgacık dönüşümü ve varyasyonel mod ayrışmasını kullanarak zaman-frekans etki alanındaki segmentlenmiş sinyalleri daha da dönüştürür ve son olarak zaman-frekans gösterimleri üzerine yeni konvolutional sinir ağları uygular. Gradiyan ağırlıklı sınıf aktivasyon haritalaması, önerilen derin öğrenme yaklaşımlarının Parkinson hastalığında hafif bilişsel bozulmanın doğru bir tahminine ulaştığı özellikleri görselleştirmek için de kullanıldı. Önerilen varyasyon modu ayrışma tabanlı model, Parkinson hastalığı olan hastalar için uykuda normal bilişten hafif bilişsel bozukluğun farklılaştırılmasında (neredeyse% 92'nin üzerinde bir performans elde eden) sürekli dalgacık dönüşümü tabanlı modele kıyasla% 99'un üzerinde üstün bir doğruluk, hassasiyet, özgüllük, eğrinin altındaki alan ve ikinci derecede ağırlıklı Kappa skoru sundu. Ek olarak, Parkinson hastalığındaki hafif bilişsel bozulmaya atfedilen özellikler, üç uyku evresinde orta ve yüksek frekanslı varyasyonel mod ayrışma bileşenlerindeki değişikliklerle gösterilmiştir. Önerilen modelin uyku Elektroensefalografi sinyallerinin zaman-frekans gösteriminde kullanılması, hafif bilişsel bozukluğu tespit etmek ve dolayısıyla Parkinson hastalığının ilerlemesini izlemek için umut verici ve hassas bir bilgisayar destekli tanı aracı sağlayacaktır.
Özgün kaynak özetini okuyun
Parkinson's disease which is the second most prevalent neurodegenerative disorder in the United States is a serious and complex disease that may progress to mild cognitive impairment and dementia. The early detection of the mild cognitive impairment and the identification of its biomarkers is crucial to support neurologists in monitoring the progression of the disease and allow an early initiation of effective therapeutic treatments that will improve the quality of life for the patients. In this paper, we propose the first deep-learning based approaches to detect mild cognitive impairment in the sleep Electroencephalography for patients with Parkinson's disease and further identify the discriminative features of the disease. The proposed frameworks start by segmenting the sleep Electroencephalography time series into three sleep stages (i.e., two non-rapid eye movement sleep-stages and one rapid eye movement sleep stage), further transforming the segmented signals in the time-frequency domain using the continuous wavelet transform and the variational mode decomposition and finally applying novel convolutional neural networks on the time-frequency representations. The gradient-weighted class activation mapping was also used to visualize the features based on which the proposed deep-learning approaches reached an accurate prediction of mild cognitive impairment in Parkinson's disease. The proposed variational mode decomposition-based model offered a superior accuracy, sensitivity, specificity, area under curve, and quadratic weighted Kappa score, all above 99% as compared with the continuous wavelet transform-based model (that achieved a performance that is almost above 92%) in differentiating mild cognitive impairment from normal cognition in sleep Electroencephalography for patients with Parkinson's disease. In addition, the features attributed to the mild cognitive impairment in Parkinson's disease were demonstrated by changes in the middle and high frequency variational mode decomposition components across the three sleep-stages. The use of the proposed model on the time-frequency representation of the sleep Electroencephalography signals will provide a promising and precise computer-aided diagnostic tool for detecting mild cognitive impairment and hence, monitoring the progression of Parkinson's disease.
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.