NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Daha önceki çalışmalarda, Parkinson hastalığı (PD) tespiti için çoğaltılmış ve birden fazla konuşma verisi türü kullanılmıştır. Bununla birlikte, bu çalışmalarda iki ana sorun, daha düşük PD tespit doğruluğu ve güvenilmez sonuçlara yol açan uygun olmayan doğrulama metodolojileridir. Bu çalışma, önceki çalışmalarda kullanılan uygunsuz doğrulama metodolojilerinin etkilerini ele almakta ve genellemeyi sağlayacak uygun alternatif doğrulama yöntemlerinin kullanımını vurgulamaktadır. PD algılama doğruluğunu artırmak için, [Formula: metine bakınız] düzenli doğrusal destek vektör makinesi aracılığıyla çıkarılan özellikleri rafine eden ve derin bir sinir ağı aracılığıyla özelliklerin rafine alt kümesini sınıflandıran iki aşamalı bir teşhis sistemi önermekteyiz. Önerilen teşhis sisteminin etkinliğini titizlikle değerlendirmek için, deneyler iki farklı ses kayıt tabanlı benchmark veri seti üzerinde gerçekleştirilir. Her iki veri kümesi için de, önerilen teşhis sistemi, k-katlı CV altında leave-one subject-out (LOSO) çapraz doğrulaması (CV) ve% 97.5 doğruluk altında% 100 doğruluk elde eder. Sonuçlar, önerilen sistemin PD algılama doğruluğu ile ilgili mevcut yöntemlerin üzerinde performans gösterdiğini göstermektedir. Sonuçlar, önerilen teşhis sisteminin PD'de invaziv olmayan teşhis karar desteğini iyileştirmek için gerekli olduğunu göstermektedir.
Özgün kaynak özetini okuyun
In previous studies, replicated and multiple types of speech data have been used for Parkinson's disease (PD) detection. However, two main problems in these studies are lower PD detection accuracy and inappropriate validation methodologies leading to unreliable results. This study discusses the effects of inappropriate validation methodologies used in previous studies and highlights the use of appropriate alternative validation methods that would ensure generalization. To enhance PD detection accuracy, we propose a two-stage diagnostic system that refines the extracted set of features through [Formula: see text] regularized linear support vector machine and classifies the refined subset of features through a deep neural network. To rigorously evaluate the effectiveness of the proposed diagnostic system, experiments are performed on two different voice recording-based benchmark datasets. For both datasets, the proposed diagnostic system achieves 100% accuracy under leave-one-subject-out (LOSO) cross-validation (CV) and 97.5% accuracy under k-fold CV. The results show that the proposed system outperforms the existing methods regarding PD detection accuracy. The results suggest that the proposed diagnostic system is essential to improving non-invasive diagnostic decision support in 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.