NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığının (PD) önemli bir nörolojik bozukluğu, hastaların motor ve motor olmayan aktivitesi ile karakterizedir. Hastanın ampirik durumu: PD değerlendirmesi, PD'nin tahminini tanımlamak için Hareket Bozukluğu Topluluğu Birleşik Parkinson'un Derecelendirme Ölçeği bölüm III (MDS-UPDRS-III) önlemlerini kullanır. Ölçümün kararsız değeri nedeniyle, PD tahmini ve izleme daha düşük bir tahmin oranına yol açar. Yöntemler: Bu sınırlamanın üstesinden gelmek için, bu makale Graph Wavelet Transform (GWT) tabanlı ağırlıklı özellik ekstraksiyonunu Graph Neutral Network (GNN) sınıflandırmasıyla birlikte önerdi. Bu araştırmanın ana katkısı (i) Veriler arasındaki ağırlıklı korelasyon, PD'nin etkili tahminleri için GWT tarafından hesaplanır. (ii) Makine öğrenme algoritmaları, Parkinson hastalığını bu kalıplara dayanarak tahmin etmek için eğitildi. Bu araştırmada, PD sarsıntılarının MDS-UPDRS-III skorunu giriş verilerini kullanarak tahmin etmek için Graph Neural Network (GNN) adlı yeni bir model geliştirdik. PD araştırmasını güçlendirmek ve bireyselleştirilmiş tedavi planlarının inşasını sağlamak için, bu bağlantılı ağlar verileri metodolojik olarak incelemek ve önemli keşifler bulmak için birlikte çalışır. Bulgular: PD şiddetini tahmin etmek için önerilen yaklaşım (motor- ve MDS_UPDRS) 0.1796 ortalama kare hataya ve deneysel verilere göre 0.2845'lik bir kök ortalama kare hataya sahiptir. Tahmin doğruluğu, DNN, ANFIS + SVR ve Karışık MLP modellerinin en etkili Devlet-of-the-art yöntemleri ile karşılaştırıldığında, buna karşılık olarak% 27.66,% 54.11 ve% 0.71 oranında artmıştır. Sonuç: Sonuç olarak, bu önerilen stratejinin tahminlerde daha etkili olduğunu kanıtlar.
Özgün kaynak özetini okuyun
Background: An important neurological disorder of Parkinson's Disease (PD) is characterized by motor and non-motor activity of the patients. Empirical condition of the patient: PD assessment uses the Movement Disorder Society Unified Parkinson's Rating Scale part III (MDS-UPDRS-III) measures for identifying the prediction of PD. Due to the unstable value of the measurement, the PD prediction and tracking lead to a lower prediction rate. Methods: To overcome this limitation, this paper proposed the Graph Wavelet Transform (GWT) based weighted feature extraction along with the Graph Neutral Network (GNN) classification. The main contribution of this research is (i) The weighted correlation between the data is calculated by GWT for effective prediction of PD. (ii) Machine learning algorithms were trained to predict Parkinson's disease based on these patterns. In this research, we developed a new model called Graph Neural Network (GNN) to predict PD tremors' MDS-UPDRS-III score using input data. To strengthen PD research and enable the construction of individualized treatment plans, these linked networks work together to methodically examine the data and find significant discoveries. Results: The proposed approach for predicting PD severity (motor- and MDS_UPDRS) has a mean squared error of 0.1796 and a root mean squared error of 0.2845, according to the experimental data. The prediction accuracy is increased by 27.66%, 54.11%, and 0.71%, correspondingly, when compared with the most effective State-of-the-Art methods of DNN, ANFIS + SVR, and Mixed MLP models. Conclusion: In conclusion, this proves that the proposed strategy is more effective at making predictions.
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.