NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), yaşlıların yaygın bir hastalığıdır. El yazısı örneklerinin kolay erişilebilirliği göz önüne alındığında, birçok araştırmacı Parkinson hastalığı için el yazısı tabanlı tespit yöntemleri önermiştir. El yazısından daha fazla ayrımcı özellik çıkarmak önemli bir adımdır. Önceki araştırmalarda birçok özellik önerilmiş olsa da, el yazısının kinematik, basınç ve açı dinamik özelliklerinin kombinasyonunun içgörü analizi eksiktir. Dahası, mevcut özelliklerin çoğu eksik olarak temsil edilir ve özellik bilgileri kaybolur. Bu nedenle, yukarıdaki sorunları çözmek için, el yazısı kullanılarak PD tespiti için yeni bir özellik çıkarma yaklaşımı önerilmektedir. İlk olarak kinematik, basınç ve açı dinamik özellikleri üzerine inşa edilmiş olan bu üç özellik türünü, bu üç özellik bilgisinin genel bir temsili olan bu üç özellik türünü birleştirerek bir an özelliği önermekteyiz. Daha sonra, zaman-frekans tabanlı istatistiksel (TF-ST) özellikleri dinamik el yazısı özelliklerinden zamansal ve frekans özellikleri açısından çıkarmak için bir özellik çıkarma yöntemi önerdik. Son olarak, sınıflandırma performansını artırmak için küresel optimizasyon için bir kaçış Coati Optimizasyon Algoritması (eCOA) önerdik. Önerilen yöntemin etkinliğini sırasıyla doğrulamak için kendi kendine oluşturulmuş ve kamuya açık veri kümeleri kullanılır. Deneysel sonuçlar, %97.95 ve %98.67 doğruluk, %98.15 (ortalama) ve %97.78 hassasiyet, %99.17 (ortalama) ve %100 özgüllük ve %98.66 (ortalama) ve %98.89 AUC doğruluk gösterdi. Kod https://github.com/dreamhcy/MLforPD adresinde bulunmaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a common disease of the elderly. Given the easy accessibility of handwriting samples, many researchers have proposed handwriting-based detection methods for Parkinson's disease. Extracting more discriminative features from handwriting is an important step. Although many features have been proposed in previous researches, the insight analysis of the combination of handwriting's kinematic, pressure, and angle dynamic features is lacking. Moreover, most existing feature is incompletely represented, with feature information lost. Therefore, to solve the above problems, a new feature extraction approach for PD detection is proposed using handwriting. First, built on the kinematic, pressure, and angle dynamic features, we propose a moment feature by composed these three types of features, an overall representation of these three types of features information. Then, we proposed a feature extraction method to extract time-frequency-based statistical (TF-ST) features from dynamic handwriting features in terms of their temporal and frequency characteristics. Finally, we proposed an escape Coati Optimization Algorithm (eCOA) for global optimization to enhance classification performance. Self-constructed and public datasets are used to verify the proposed method's effectiveness respectively. The experimental results showed an accuracy of 97.95% and 98.67%, a sensitivity of 98.15% (average) and 97.78%, a specificity of 99.17% (average) and 100%, and an AUC of 98.66% (average) and 98.89%. The code is available at https://github.com/dreamhcy/MLforPD.
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.