NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Uçtan uca derin öğrenme modelleri, Parkinson hastalığının ses ve konuşma yoluyla otomatik olarak taranması için umut verici sonuçlar göstermiştir. Bununla birlikte, bu modeller genellikle birden fazla korporayı içeren senaryolara uygulandığında performanslarında bozulma yaşarlar. Ayrıca, korpus bağımlı kümelenmeler de gösterirler. Bu gerçekler genelleme eksikliğini veya kararda belirli kısayolların varlığını gösterir ve ayrıca yeni korpus-bağımsız modeller geliştirme ihtiyacını da gösterir. Bu bağlamda, bu çalışma, çeşitli veri kümelerinde Parkinson hastalığını tespit etmek için ayrımcı kapasitelerini koruyan modeller geliştirmek için etki alanı düşmanca eğitimlerinin uygulanabilir bir strateji olarak kullanılmasını araştırıyor. Makalede üç derin öğrenme mimarisi ve onların etki alanı karşıtları sunulmaktadır. Modeller, farklı demografik, lehçe veya dillere sahip dört korporadan çıkarılan sürekli sesli harfler ve diadokokinetik kayıtlar ve kayıt koşulları ile değerlendirildi. Sonuçlar, alan adversarial ağları tarafından çıkarılan gömme özelliklerinin uzay dağılımının, sınıf içi daha yüksek bir uyum sergilediğini gösterdi. Bu davranış, her sınıf içinde hesaplanan değişkenlik ve alanlararası farklılaşmanın azalmasıyla desteklenir. Bulgular, alan adversarial ağlarının Parkinson ses ve konuşmalarında mevcut olan ortak özellikleri öğrenebildiğini ve bunun sonucunda da dilden bağımsız olduğunu göstermektedir. Genel olarak, bu çaba, etki alanı uyarlama tekniklerinin Parkinson hastalığının ses ve konuşmadan tespiti için mevcut uçtan uca derin öğrenme yaklaşımlarını rafine ettiğini ve daha genelleştirilebilir modeller elde ettiğini kanıtlamaktadır.
Özgün kaynak özetini okuyun
End-to-end deep learning models have shown promising results for the automatic screening of Parkinson's disease by voice and speech. However, these models often suffer degradation in their performance when applied to scenarios involving multiple corpora. In addition, they also show corpus-dependent clusterings. These facts indicate a lack of generalisation or the presence of certain shortcuts in the decision, and also suggest the need for developing new corpus-independent models. In this respect, this work explores the use of domain adversarial training as a viable strategy to develop models that retain their discriminative capacity to detect Parkinson's disease across diverse datasets. The paper presents three deep learning architectures and their domain adversarial counterparts. The models were evaluated with sustained vowels and diadochokinetic recordings extracted from four corpora with different demographics, dialects or languages, and recording conditions. The results showed that the space distribution of the embedding features extracted by the domain adversarial networks exhibits a higher intra-class cohesion. This behaviour is supported by a decrease in the variability and inter-domain divergence computed within each class. The findings suggest that domain adversarial networks are able to learn the common characteristics present in Parkinsonian voice and speech, which are supposed to be corpus, and consequently, language independent. Overall, this effort provides evidence that domain adaptation techniques refine the existing end-to-end deep learning approaches for Parkinson's disease detection from voice and speech, achieving more generalizable models.
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.