A robust Parkinson's disease detection model based on time-varying synaptic efficacy function in spiking neural network.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığı (PD), dünya çapında milyonlarca insanı etkileyen nörodejeneratif bir hastalıktır. Konvansiyonel PD algılama algoritmaları genellikle yüksek enerji tüketen ve karmaşık mimariye sahip birinci ve ikinci nesil yapay sinir ağı (ANN) modellerine dayanır. Bu sınırlamalar göz önüne alındığında, SEFRON adı verilen zaman değişken sinaptik etkinlik fonksiyonu tabanlı sızıntı-entegrat ve yangın nöron modeli PD'nin tespiti için kullanılır. SEFRON, nöromorfik cihazlar için uygun olan Spiking Neural Network'ün (SNN) avantajlarını araştırıyor. SEFRON'un performansını değerlendirmek için, kamuya açık 2 standart veri kümesi, yani (1) UCI: Oxford Parkinson Hastalığı Tespit Veri seti ve (2) UCI: Çoğalıtılmış akustik özelliklere sahip Parkinson Veri kümesi kullanılır. Performans, diğer iyi bilinen sinir ağı modelleriyle karşılaştırılır: Çok Katmanlı Perceptron Sinir Ağı (MLP-NN), Radyal Basis Fonksiyon Sinir Ağı (RBF-NN), Tekrarlayan Sinir Ağı (RNN) ve Uzun kısa süreli bellek (LSTM). Deneysel sonuçlar, SEFRON sınıflandırıcısının veri kümesi 1'de maksimum% 100 doğruluk ve ortalama% 99.49 doğruluk elde ettiğini göstermektedir. Veri kümesi 2 için, her iki durumda da diğer sınıflandırıcılardan daha iyi performans göstererek %94'lük bir zirve doğruluğu ve %91.94'lük ortalama bir doğruluk elde eder. Performanstan, sunulan modelin, hekimlerin hastalığı erken evrelerinde teşhis etmelerine yardımcı olabilecek sağlam bir otomatik PD algılama cihazı geliştirmeye yardımcı olabileceği kanıtlanmıştır.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a neurodegenerative disease affecting millions of people around the world. Conventional PD detection algorithms are generally based on first and second-generation artificial neural network (ANN) models which consume high energy and have complex architecture. Considering these limitations, a time-varying synaptic efficacy function based leaky-integrate and fire neuron model, called SEFRON is used for the detection of PD. SEFRON explores the advantages of Spiking Neural Network (SNN) which is suitable for neuromorphic devices. To evaluate the performance of SEFRON, 2 publicly available standard datasets, namely (1) UCI: Oxford Parkinson's Disease Detection Dataset and (2) UCI: Parkinson Dataset with replicated acoustic features are used. The performance is compared with other well-known neural network models: Multilayer Perceptron Neural Network (MLP-NN), Radial Basis Function Neural Network (RBF-NN), Recurrent Neural Network (RNN) and Long short-term memory (LSTM). The experimental results demonstrate that the SEFRON classifier achieves a maximum accuracy of 100% and an average accuracy of 99.49% on dataset 1. For dataset 2, it attains a peak accuracy of 94% and an average accuracy of 91.94%, outperforming the other classifiers in both cases. From the performance, it is proved that the presented model can help to develop a robust automated PD detection device that can assist the physicians to diagnose the disease at its early stage.

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.