NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), etkilenen bireylerin yaşam kalitesi üzerinde ciddi bir etkiye sahip olan motor ve motor olmayan semptomlarla işaretlenmiş bir nörodejeneratif bozukluktur. Bu çalışma, hem PD hastalarından hem de sağlıklı hastalardan alınan ses kliplerinden çıkarılan özelliklerden PD hastalarının tespiti üzerine, grup öğrenme yöntemleri ve genetik seçimin ardından filtre özelliği seçiminin etkisini araştırıyor. Bu çalışmada iki ayrı veri kümesi kullanılmıştır. Filtre özelliği seçimi, yarı sabit özelliklerin ortadan kaldırılmasıyla gerçekleştirildi. Daha sonra filtrelenmiş veriler üzerinde çeşitli sınıflandırma modelleri test edildi. Karar ağacı, rasgele orman ve XGBoost sınıflandırıcıları, özellikle Dataset 1'de, karar ağacı ve rastgele orman tarafından% 100 doğruluk elde edildiği dikkate değer sonuçlar üretti. Ensemble öğrenme yöntemleri (oy verme, istifleme ve torbalama) daha sonra sonuçların daha da geliştirilip geliştirilemeyeceğini görmek için en iyi performans gösteren modellere uygulandı. Ek olarak, genetik seçilim filtrelenmiş verilere uygulanmış ve doğrulukları ve hassasiyetleri için çeşitli sınıflandırma modelleri kullanılarak değerlendirilmiştir. Çoğu durumda, PD hastaları için tahminlerin sağlıklı bireylere göre daha hassas olduğu bulunmuştur. Genel performans, Dataset 1'de daha fazla özelliğe sahip olan Dataset 2'den daha iyiydi.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative disorder marked by motor and non-motor symptoms that have a severe impact on the quality of life of the affected individuals. This study explores the effect of filter feature selection, followed by ensemble learning methods and genetic selection, on the detection of PD patients from attributes extracted from voice clips from both PD patients and healthy patients. Two distinct datasets were employed in this study. Filter feature selection was carried out by eliminating quasi-constant features. Several classification models were then tested on the filtered data. Decision tree, random forest, and XGBoost classifiers produced remarkable results, especially on Dataset 1, where 100% accuracy was achieved by decision tree and random forest. Ensemble learning methods (voting, stacking, and bagging) were then applied to the best-performing models to see whether the results could be enhanced further. Additionally, genetic selection was applied to the filtered data and evaluated using several classification models for their accuracy and precision. It was found that in most cases, the predictions for PD patients showed more precision than those for healthy individuals. The overall performance was also better on Dataset 1 than on Dataset 2, which had a greater number of features.
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.