NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığı (PD), en yaygın, yaygın ve karmaşık nörodejeneratif bozukluklardan biridir. Uzmanlara göre, 60 yaşın üzerindeki insanların en az% 1'i dünya çapında etkilenmektedir. Günümüzde, PD'nin erken tespiti, beyin karakterizasyonu konusunda net bir fikir birliği olmaması nedeniyle zor olmaya devam etmektedir. Bu nedenle, PD'nin erken tespiti için daha güvenilir ve verimli bir teknik için acil bir ihtiyaç vardır. Elektroensefalogram (EEG) sinyallerinin potansiyelini kullanarak, bu çalışma, PD hastalarının makine öğrenimi yoluyla tespiti veya sınıflandırılması için yenilikçi bir yöntemin yanı sıra daha doğru bir derin öğrenme yaklaşımını tanıtmaktadır. Yöntemler: Gelişmiş spektral özellik mühendisliğini makine öğrenimi ve derin öğrenme modelleriyle entegre ederek yenilikçi bir EEG tabanlı PD algılama yaklaşımı sunuyoruz. (a) UC San Diego Resting State EEG veri setini ve (b) IOWA veri setini kullanarak, beş ana frekans bandından (alfa, beta, teta, gama, delta (alfa, beta, theta, gamma,delta) standartlaştırılmış bir EEG özelliği çıkarıyoruz ve bir SVM (Support Vector Machine) sınıflandırıcısını temel olarak kullanıyoruz, önemli bir doğruluk elde ediyoruz. Ayrıca, tüm frekans bantlarından güç değerlerini birleştirerek ayarlanmış karmaşık çok boyutlu bir özelliğe sahip derin bir öğrenme sınıflandırıcısı (CNN) uyguluyoruz, bu da PD hastalarını (hem ilaçla hem de ilaç durumları olmadan) sağlıklı hastalardan ayırt etmede üstün performans sağlar. Sonuçlar: Bu iki veri kümesindeki beş katlı çapraz doğrulama ile yaklaşımlarımız, özneye bağlı bir senaryoda umut verici sonuçlara başarıyla ulaşır. SVM sınıflandırıcısı, UC San Diego Resting State EEG veri kümesinde (gama bandı kullanarak) ve IOWA veri kümesinde, PD hastalarını söz konusu PD olmayan hastalardan ayırt etmede sırasıyla %82 ve %94'lük rekabetçi aksuralar elde eder. CNN sınıflandırıcısı ile modelimiz EEG'nin büyük çapraz frekans bağımlılıklarını yakalayabiliyor; Bu nedenle, sınıflandırma akurasileri sırasıyla bu iki veri kümesiyle %96 ve %99'un ötesine ulaşıyor. Ayrıca deneylerimizi, SVM'nin %68.09 doğruluk ürettiği bağımsız bir ortamda gerçekleştiriyoruz. Sonuç: Bulgularımız, ileri özellik çıkarma ve derin öğrenme ile birleştiğinde, PD'nin teşhisi için invaziv olmayan, verimli ve güvenilir bir yaklaşım sağlama potansiyeline sahip olup, özellik kümelerini geliştirmeyi, çok sayıda konunun dahil edilmesini ve model genellenebilirliğini daha çeşitli ortamlarda geliştirmeyi amaçlayan daha fazla çalışma ile birlikte.
Özgün kaynak özetini okuyun
Background: Parkinson's disease (PD) is one of the most prevalent, widespread, and intricate neurodegenerative disorders. According to the experts, at least 1% of people over the age of 60 are affected worldwide. In the present time, the early detection of PD remains difficult due to the absence of a clear consensus on its brain characterization. Therefore, there is an urgent need for a more reliable and efficient technique for early detection of PD. Using the potential of electroencephalogram (EEG) signals, this study introduces an innovative method for the detection or classification of PD patients through machine learning, as well as a more accurate deep learning approach. Methods: We propose an innovative EEG-based PD detection approach by integrating advanced spectral feature engineering with machine learning and deep learning models. Using (a) the UC San Diego Resting State EEG dataset and (b) IOWA dataset, we extract a standardized EEG feature from five key frequency bands-alpha, beta, theta, gamma, delta (α,β,θ,γ,δ) and employ an SVM (Support Vector Machine) classifier as a baseline, achieving a notable accuracy. Furthermore, we implement a deep learning classifier (CNN) with a complex multi-dimensional feature set by combining power values from all frequency bands, which gives superior performance in distinguishing PD patients (both with medication and without medication states) from healthy patients. Results: With the five-fold cross-validation on these two datasets, our approaches successfully achieve promising results in a subject dependent scenario. The SVM classifier achieves competitive accuracies of 82% and 94% in the UC San Diego Resting State EEG dataset (using gamma band) and IOWA dataset, respectively in distinguishing PD patients from non-PD patients in subject. With the CNN classifier, our model is able to capture major cross-frequency dependencies of EEG; therefore, the classification accuracies reach beyond 96% and 99% with those two datasets, respectively. We also perform our experiments in a subject independent environment, where the SVM generates 68.09% accuracy. Conclusions: Our findings, coupled with advanced feature extraction and deep learning, have the potential to provide a non-invasive, efficient, and reliable approach for diagnosing PD, with further work aimed at enhancing feature sets, inclusion of a large number of subjects, and improving model generalizability across more diverse environments.
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.