NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) ve esansiyel titreme (ET) titremeleri arasındaki ayrım incedir, farklılaşmada zorluklar yaratır. PD ve ET'yi doğru bir şekilde sınıflandırmak için, BiLSTM tabanlı tekrarlayan sinir ağları, normal hastalar (N), PD hastaları ve ET hastaları arasında, alt kollarında (L), ellerinde (H) ve üst kollarında (U) giriş olarak ivmeölçerlik verilerini kullanarak sınıflandırmak için kullanılır. Eğitimli nöral sinir ağı (RNN) %80 doğruluk oranına ulaşmıştır. Sinir ağı, sinir ağının iç işleyişini anlamak için katman-bilişsel alaka yayılımı (LRP) kullanılarak analiz edilir. LRP tabanlı yaklaşık doğrusal ağırlıklar (ALW) olarak adlandırılan yeni bir açıklanabilir AI yöntemi, sinir ağındaki sınıf puanlarını atarken alaka alanındaki benzerlikleri tanımlamak için tanıtılır. ALW, giriş verilerini doğrudan sınıf puanlarına doğrusal olarak dönüştüren bir 2D çekirdek olarak işlev görür ve bu da sinir ağını analiz etmenin karmaşıklığını önemli ölçüde azaltır. Bu yeni sınıflandırma yöntemi, sinir ağının orijinal işlevini yeniden yapılandırarak %73 PD ve ET titreme sınıflandırma doğruluğu elde ediyor. ALW'leri analiz ederek, her girdi ile sınıf arasındaki korelasyon da belirlenebilir. Daha sonra, ayırt edici özellikler daha sonra tanımlanabilir. Giriş, kısa süreli Fourier dönüşümü (STFT) kullanılarak önceden işlendiğinden, ortalama N, PD ve ET deneklerinde 3 ila 30 Hz arasında değişen titreme frekanslarının büyüklüğü arasındaki farklar başarıyla tanımlanmaktadır. Titremelerdeki frekans içeriğiyle ilgili mevcut tıbbi bilgilerin eşleştirilmesinin yanı sıra, farklılaştırıcı özellikler, diğer frekans bantlarındaki ve vücut kısımlarındaki titremelerdeki frekans içerikleri hakkında da bilgiler sağlar.
Özgün kaynak özetini okuyun
The distinction between Parkinson's disease (PD) and essential tremor (ET) tremors is subtle, posing challenges in differentiation. To accurately classify the PD and ET, BiLSTM-based recurrent neural networks are employed to classify between normal patients (N), PD patients, and ET patients using accelerometry data on their lower arm (L), hand (H), and upper arm (U) as inputs. The trained recurrent neural network (RNN) has reached 80% accuracy. The neural network is analyzed using layer-wise relevance propagation (LRP) to understand the internal workings of the neural network. A novel explainable AI method, called LRP-based approximate linear weights (ALW), is introduced to identify the similarities in relevance when assigning the class scores in the neural network. The ALW functions as a 2D kernel that linearly transforms the input data directly into the class scores, which significantly reduces the complexity of analyzing the neural network. This new classification method reconstructs the neural network's original function, achieving a 73% PD and ET tremor classification accuracy. By analyzing the ALWs, the correlation between each input and the class can also be determined. Then, the differentiating features can be subsequently identified. Since the input is preprocessed using short-time Fourier transform (STFT), the differences between the magnitude of tremor frequencies ranging from 3 to 30 Hz in the mean N, PD, and ET subjects are successfully identified. Aside from matching the current medical knowledge on frequency content in the tremors, the differentiating features also provide insights about frequency contents in the tremors in other frequency bands and body parts.
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.