NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Sesteki arka plan değişiklikleri Parkinson hastalığının bir belirtisidir ve durumun ilerlemesini değerlendirmek için kullanılır. Bununla birlikte, insanların seslerindeki doğal farklılıklar bunu zorlaştırabilir. Bilgisayarlı ikili konuşma sınıflandırması, PD (PwPD) olan kişileri tanımlayabilir, ancak hastalığın şiddetini tespit etmek için çok sınıflı uygulaması zor kalır.MetodBu çalışma altı diadokokinetik (DDK) görevi, dört özelliği (fonasyon, eklemlenme, prosodi ve bunların kaynaşması) ve dört ciddiyet seviyesi için üç makine öğrenme modelini araştırdı. Dört ikili sınıflandırma şunlardı: (i) Normale Karşı Normal Değil, (ii) Hafife Karşı Hafif, (iii) Hafife Karşı Hafif ve (iv) Ortaya Karşı. Orta değil. Her sınıf için en iyi görev ve özellikler tanımlandı ve modeller Normal ile Normal arasında ayrım yapmak için çok sınıflı bir model geliştirmek için bir araya getirildi. Hafif vs. Hafif vs. Ilımlı.ResultsFor Normal vs Not-normal, lojistik regresyon (LR) "ka-ka-ka" görevinden prosodi kullanarak, Random Forest (RF) Slight vs Slight için "petaka" dan artikülasyon kullanarak, Mild vs Mild ve Gradient Boosing (GB) için "ka-ka-ka" dan füzyon için RF Mode Verilmedi. Bunları LR kullanarak birleştirmek,% 72 doğruluk elde etti.Çok sınıflı problemi dört ikili soruna bölmek, her sınıf için optimum konuşma özelliklerini verir. Küçük bir halk veri kümesi üzerinde yapılan bu pilot çalışma, Parkinson hastalığının ses semptomlarının ciddiyetini değerlendirmek için DDK kullanarak bilgisayarlı konuşma analizi potansiyelini göstermektedir.
Özgün kaynak özetini okuyun
BackgroundChanges in voice are a symptom of Parkinson's disease and used to assess the progression of the condition. However, natural differences in the voices of people can make this challenging. Computerized binary speech classification can identify people with PD (PwPD), but its multiclass application to detect the severity of the disease remains difficult.MethodThis study investigated six diadochokinetic (DDK) tasks, four features (phonation, articulation, prosody, and their fusion), and three machine learning models for four severity levels of PwPD. The four binary classifications were: (i) Normal vs Not Normal, (ii) Slight vs Not Slight, (iii) Mild vs Not Mild and (iv) Moderate vs. Not Moderate. The best task and features for each class were identified and the models were ensembled to develop a multiclass model to distinguish between Normal vs. Slight vs. Mild vs. Moderate.ResultsFor Normal vs Not-normal, logistic regression (LR) using the prosody from "ka-ka-ka" task, Random Forest (RF) using articulation from "petaka" for Slight vs Not Slight, RF for the fusion from "ka-ka-ka" for Mild vs Not Mild and Gradient Boosting (GB) using prosody from "ta-ta-ta" for Moderate vs Not Moderate gave the best results. Combining these using LR achieved an accuracy of 72%.ConclusionDividing the multiclass problem into four binary problems gives the optimum speech features for each class. This pilot study, conducted on a small public dataset, shows the potential of computerized speech analysis using DDK to evaluate the severity of Parkinson's disease voice symptoms.
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.