NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığından muzdarip hastalar ses bozukluğundan muzdariptir. Bu çalışmada, normal ve Parkinson hastalarını konuşmalarını kullanarak sınıflandırmak için modeller tanıtıyoruz. Son zamanlarda birçok alanda CNN tabanlı modelleri geride bırakan bir transformatör tabanlı konuşma sınıflandırma modeli olan AST (audio spektrogram trafo) ve mevcut konuşma sınıflandırma alanında yüksek performanslı bir model olan CNN tabanlı PSLA (pretraining, örnekleme, etiketleme ve toplama) kullandık. Bu çalışma modelleri hem nicel hem de nitel perspektiflerden karşılaştırır ve analiz eder. İlk olarak, niteliksel olarak, PSLA AST'ı doğrulukta %4'ten fazla geride bıraktı ve AUC ayrıca daha yüksekti, AST için %94.16 ve PSLA için %97.43 idi. Ayrıca, modellerin Parkinson'un akustik özelliklerini GradCAM ve EigenCAM gibi çeşitli CAM (sınıf aktivasyon haritası) tabanlı XAI (eXplainable AI) modelleri aracılığıyla yakalama yeteneğini nitel olarak değerlendirdik. PSLA'ya dayanarak, modelin Parkinson'un konuşmasının boğuk frekans bandına iyi odaklandığını ve yanlış pozitiflerin ve yanlış negatiflerin ısı haritası analizinin, model gerçekten yanlış tahminlerde bulunduğunda konuşma özelliklerinin de görsel olarak temsil edildiğini gösterdiğini gördük. Bu makalenin katkısı, Parkinson'u iki farklı model kullanarak konuşma yoluyla teşhis etmek için sadece uygun bir model bulmakla kalmadık, aynı zamanda modelin pratikte tahminlerini de doğruladık.
Özgün kaynak özetini okuyun
Patients suffering from Parkinson's disease suffer from voice impairment. In this study, we introduce models to classify normal and Parkinson's patients using their speech. We used an AST (audio spectrogram transformer), a transformer-based speech classification model that has recently outperformed CNN-based models in many fields, and a CNN-based PSLA (pretraining, sampling, labeling, and aggregation), a high-performance model in the existing speech classification field, for the study. This study compares and analyzes the models from both quantitative and qualitative perspectives. First, qualitatively, PSLA outperformed AST by more than 4% in accuracy, and the AUC was also higher, with 94.16% for AST and 97.43% for PSLA. Furthermore, we qualitatively evaluated the ability of the models to capture the acoustic features of Parkinson's through various CAM (class activation map)-based XAI (eXplainable AI) models such as GradCAM and EigenCAM. Based on PSLA, we found that the model focuses well on the muffled frequency band of Parkinson's speech, and the heatmap analysis of false positives and false negatives shows that the speech features are also visually represented when the model actually makes incorrect predictions. The contribution of this paper is that we not only found a suitable model for diagnosing Parkinson's through speech using two different types of models but also validated the predictions of the model in practice.
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.