NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), yaşlı insanların büyük bir bölümünü etkiler. Semptomlar titreme, yavaş hareket, sert kaslar ve konuşmada sorun içerir. Gelişmiş dünya nüfusunun yaşlanmasıyla bu sayının artması bekleniyor. PD'nin erken tespiti ve ciddi sonuçlarından kaçınmak, kesin ve verimli bir sistem gerektirir. Amacımız, insan seslerini kullanarak PD'yi tanımlayabilecek doğru bir AI modeli oluşturmaktır. Bir kişinin ses kaydından disfoni ölçümlerini alarak PD'yi tespit etmek için transformatör tabanlı bir yöntem geliştirdik. Sekmeli ses özellikleri için sinir ağı (NN) tabanlı bir çözüm kullanmak nadirdir, ancak sürekli öğrenme ile uyumluluk ve ağın daha doğru bir multimodal çözüm için bir görüntü / ses kodlayıcı ile bağlantılı olma potansiyeli de dahil olmak üzere ağaç tabanlı bir yaklaşıma göre birkaç avantajı vardır, SOTA yaklaşımını ağaç tabanlı bir sinir ağına (NN) kaydırmak, multimodal çözümlerde araştırmaların ilerlemesi için çok önemlidir. Yöntemimiz, en az% 1 AUC ile Gradient-Boosted Decision Trees (GBDT'ler) gibi son teknoloji (SOTA) durumundan daha iyi performans gösterir ve hassasiyet ve geri çağırma puanları da geliştirilir. Buna ek olarak, XgBoost tabanlı bir özellik seçim yöntemi ve çözüm ağına ek olarak sürekli disfoni önlemleri dahil etmek için tamamen bağlı bir NN katman tekniği sunduk. Ayrıca, önerilen çözümümüz ve derin öğrenme (DL) ve bunun disfoni önlemlerine uygulanmasıyla ilgili çok sayıda önemli keşiften bahsettik, örneğin transformatör tabanlı bir ağın basit bir MLP ağına kıyasla artan derinliğe nasıl daha dirençli olduğu gibi. Önerilen yaklaşımın performansı ve MLP, SVM ve Random Forest (RF) gibi geleneksel makine öğrenme teknikleri de karşılaştırılmıştır. Bu makaleye önerilen çözümün uzay ve zaman karmaşıklığı ile birlikte ayrıntılı bir performans karşılaştırma matrisi eklenmiştir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) affects a large proportion of elderly people. Symptoms include tremors, slow movement, rigid muscles, and trouble speaking. With the aging of the developed world's population, this number is expected to rise. The early detection of PD and avoiding its severe consequences require a precise and efficient system. Our goal is to create an accurate AI model that can identify PD using human voices. We developed a transformer-based method for detecting PD by retrieving dysphonia measures from a subject's voice recording. It is uncommon to use a neural network (NN)-based solution for tabular vocal characteristics, but it has several advantages over a tree-based approach, including compatibility with continuous learning and the network's potential to be linked with an image/voice encoder for a more accurate multi modal solution, shifting SOTA approach from tree-based to a neural network (NN) is crucial for advancing research in multimodal solutions. Our method outperforms the state of the art (SOTA), namely Gradient-Boosted Decision Trees (GBDTs), by at least 1% AUC, and the precision and recall scores are also improved. We additionally offered an XgBoost-based feature-selection method and a fully connected NN layer technique for including continuous dysphonia measures, in addition to the solution network. We also discussed numerous important discoveries relating to our suggested solution and deep learning (DL) and its application to dysphonia measures, such as how a transformer-based network is more resilient to increased depth compared to a simple MLP network. The performance of the proposed approach and conventional machine learning techniques such as MLP, SVM, and Random Forest (RF) have also been compared. A detailed performance comparison matrix has been added to this article, along with the proposed solution's space and time complexity.
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.