NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) olarak bilinen nörolojik rahatsızlık, tüm dünyadaki insanları etkiler. Nörodejeneratif PD ile ilişkili bozukluk öncelikle orta ve geç yaşamdaki insanları etkiler. Bu bozukluğu olan hastalarda titreme, kas sertliği ve halsiz, sakar hareket gibi motor semptomlar yaygındır. Genetik ve çevresel değişkenler PD gelişiminde önemli rol oynar. Çok fazla araştırmaya rağmen, bu nörodejeneratif hastalığın kök nedeni hala tanımlanamamıştır. Klinik tanı, hastalıkların ilerlemesini başarılı bir şekilde yavaşlatmak veya durdurmak için bu tür düzensizlikleri derhal tespit etmeye dayanır. Beyin aktivitesi ile doğrudan korelasyonu nedeniyle, elektroensefalografi (EEG) önemli bir PD teşhis tekniğidir. Elektroensefalografi veya EEG, veriler beyin aktivite değişikliklerinin biyobelirteçleridir. Bununla birlikte, bu sinyaller doğrusal olmayan, durağan olmayan ve karmaşık olup, analizi zorlaştırmaktadır. Geleneksel makine öğrenme yaklaşımlarını kullanarak sonuçları gerçekleştirmek için genellikle uzun bir insan emek sürecine başvurmalısınız. Bozulma, özellik çıkarma ve sınıflandırma süreçleri bu aşamaların tipik örnekleridir. Bu engelleri aşmak için Parkinson hastalığının (PD) otomatik olarak tanımlanması için yeni bir derin öğrenme modeli sunuyoruz. EEG sinyal işlemede standart bir yöntem olan Gabor dönüşümü, EEG kayıtlarından elde edilen ham verileri spektrogramlara dönüştürmek için kullanıldı. Bu araştırmada, her katmanı önce gizli durumunun toplamı artı üzerindeki tüm katmanların gizli durumları olarak temsil eden yoğun bir şekilde birbirine bağlı çift yönlü uzun kısa süreli bellek (DLBLSTM) önermekteyiz, daha sonra bu temsili tekrar tekrar aşağıdaki tüm katmanlara iletiriz. Bu çalışmanın önerdiği derin öğrenme modeli, bu spektrogramları girdi verileri olarak kullanarak eğitildi. Sağlam bir altı kat çapraz doğrulama yöntemi kullanarak, önerilen model% 99,6 sınıflandırma doğruluğu ile mükemmel doğruluk gösterdi. Sonuçlar, önerilen algoritmanın PD'yi otomatik olarak tanımlayabileceğini göstermektedir.
Özgün kaynak özetini okuyun
The neurological ailment known as Parkinson's disease (PD) affects people throughout the globe. The neurodegenerative PD-related disorder primarily affects people in middle to late life. Motor symptoms such as tremors, muscle rigidity, and sluggish, clumsy movement are common in patients with this disorder. Genetic and environmental variables play significant roles in the development of PD. Despite much investigation, the root cause of this neurodegenerative disease is still unidentified. Clinical diagnostics rely heavily on promptly detecting such irregularities to slow or stop the progression of illnesses successfully. Because of its direct correlation with brain activity, electroencephalography (EEG) is an essential PD diagnostic technique. Electroencephalography, or EEG, data are biomarkers of brain activity changes. However, these signals are non-linear, non-stationary, and complicated, making analysis difficult. One must often resort to a lengthy human labor process to accomplish results using traditional machine-learning approaches. The breakdown, feature extraction, and classification processes are typical examples of these stages. To overcome these obstacles, we present a novel deep-learning model for the automated identification of Parkinson's disease (PD). The Gabor transform, a standard method in EEG signal processing, was used to turn the raw data from the EEG recordings into spectrograms. In this research, we propose densely linked bidirectional long short-term memory (DLBLSTM), which first represents each layer as the sum of its hidden state plus the hidden states of all layers above it, then recursively transmits that representation to all layers below it. This study's suggested deep learning model was trained using these spectrograms as input data. Using a robust sixfold cross-validation method, the proposed model showed excellent accuracy with a classification accuracy of 99.6%. The results indicate that the suggested algorithm can automatically identify PD.
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.