NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjectiveParkinson hastalığı (PD), motor fonksiyon ve konuşma kalıplarını önemli ölçüde etkileyen ilerici bir nörodejeneratif bozukluktur. PD'nin konuşma analizi gibi invaziv olmayan yöntemlerle erken tespit edilmesi, hastalar için tedavi sonuçlarını ve yaşam kalitesini artırabilir. Bu çalışma, PD'yi tahmin etmek için konuşma kayıtlarını ve akustik özellikleri kullanan yorumlanabilir bir makine öğrenme modeli geliştirmeyi amaçlamaktadır. MethodsPD olan ve olmayan bireylerden konuşma kayıtlarının veri kümesi analiz edildi. Veri kümesi temel frekans (Fo), jitter, shimmer, gürültü-harmonik oranı (NHR) ve doğrusal olmayan dinamik karmaşıklık ölçümleri gibi özellikleri içerir. Araştırmacı veri analizi (EDA), verilerdeki kalıpları ve ilişkileri tanımlamak için yapılmıştır. Veri seti %70 eğitim ve %30 test setine ayrıldı. Sınıf dengesizliğini gidermek için sentetik azınlık overampling tekniği (SMOTE) uygulandı. K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Trees, Random Forests ve Neural Networks gibi çeşitli makine öğrenme algoritmaları uygulanmış ve değerlendirilmiştir. Model performansı doğruluk, hatırlama, F1 puanı ve alıcının çalışma karakteristik eğrisi (AUC-ROC) metrikleri altındaki alan kullanılarak değerlendirildi. Shapley Additive exPlanations (SHAP) modelleri açıklamak ve özellik katkılarını değerlendirmek için kullanıldı.SonuçlarAnaliz, jitter, shimmer ve NHR gibi konuşma istikrarsızlığı ile ilgili özelliklerin PD'yi son derece öngörücü olduğunu ortaya koydu. Yinelemeli Plot Boyut Entropisi (RPDE) ve Pitch Period Entropisi (PPE) de dahil olmak üzere doğrusal olmayan metrikler de modelin tahmin gücüne önemli katkılarda bulundu. Random Forest ve Gradient Boosting modelleri en yüksek performansı elde etti, 0.98 AUC-ROC, 0.95 geri çağırma, minimum yanlış negatifleri sağladı. SHAp değerleri, PD hastalarının sağlıklı bireylerden ayırt edilmesinde temel frekans varyasyonunun ve harmonik-gürültü oranının önemini vurguladı.ConclusionGelişmiş makine öğrenme modeli, konuşma kayıtlarını kullanarak Parkinson hastalığını doğru bir şekilde tahmin eder, Random Forest ve Gradient Boosting algoritmaları üstün performans gösterir. Anahtar öngörücü özellikler jitter, shimmer ve doğrusal olmayan dinamik karmaşıklık ölçümleridir. Bu çalışma, erken PD tespiti için güvenilir, non-invaziv bir araç sağlar ve nörodejeneratif hastalıkların teşhisinde konuşma analizi potansiyelinin altını çizer.
Özgün kaynak özetini okuyun
ObjectiveParkinson's disease (PD) is a progressive neurodegenerative disorder that significantly impacts motor function and speech patterns. Early detection of PD through non-invasive methods, such as speech analysis, can improve treatment outcomes and quality of life for patients. This study aims to develop an interpretable machine learning model that uses speech recordings and acoustic features to predict PD.MethodsA dataset of speech recordings from individuals with and without PD was analyzed. The dataset includes features such as fundamental frequency (Fo), jitter, shimmer, noise-to-harmonics ratio (NHR), and non-linear dynamic complexity measures. Exploratory data analysis (EDA) was conducted to identify patterns and relationships in the data. The dataset was split into 70% training and 30% testing sets. To address class imbalance, synthetic minority oversampling technique (SMOTE) was applied. Several machine learning algorithms, including K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Trees, Random Forests, and Neural Networks, were implemented and evaluated. Model performance was assessed using accuracy, recall, F1 score, and area under the receiver operating characteristic curve (AUC-ROC) metrics. SHapley Additive exPlanations (SHAP) were used to explain the models and evaluate feature contributions.ResultsThe analysis revealed that features related to speech instability, such as jitter, shimmer, and NHR, were highly predictive of PD. Non-linear metrics, including Recurrence Plot Dimension Entropy (RPDE) and Pitch Period Entropy (PPE), also made significant contributions to the model's predictive power. Random Forest and Gradient Boosting models achieved the highest performance, with an AUC-ROC of 0.98, recall of 0.95, ensuring minimal false negatives. SHAp values highlighted the importance of fundamental frequency variation and harmonic-to-noise ratio in distinguishing PD patients from healthy individuals.ConclusionThe developed machine learning model accurately predicts Parkinson's disease using speech recordings, with Random Forest and Gradient Boosting algorithms demonstrating superior performance. Key predictive features include jitter, shimmer, and non-linear dynamic complexity measures. This study provides a reliable, non-invasive tool for early PD detection and underscores the potential of speech analysis in diagnosing neurodegenerative diseases.
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.