NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu makale, ses verilerini kullanarak Parkinson hastalığının (PD) erken tespiti için Clark mesafesine dayanan yeni bir sınıflandırıcı sunmaktadır. İnsan ses sinyallerinin doğrusal olmayan doğası ve bunların doğal dalgalanmaları, Random Forest (RF), Support Vector Machines (SVM), Decision Trees (DT), K-Nearest Neighbors (KNN) ve Logistic Regression (LR) gibi geleneksel makine öğrenimi sınıflayıcıları için önemli zorluklar oluşturmaktadır. Önerilen sınıflandırıcı, her bir ses örneğinin veri özelliklerini daha küçük bloklara (blok başına 2 ila 10 özellik arasında değişen) ayırarak, ilişkileri daha iyi yakalamak ve sınıflandırma doğruluğunu olumsuz etkileyen dalgalanmaları en aza indirmek için bu sınırlamaları ele alır. Sınıflandırıcının performansını daha da artırmak için, Grey Wolf Optimization (GWO), alakasız ve gereksiz (divergent) özellikleri kaldırırken yüksek uyumlu (convergent) özellikleri seçmek için entegre edildi. Önerilen yaklaşım, GWO olmadan %94,6 doğruluk ve sadece 12 seçilmiş özellik kullanarak GWO ile etkileyici bir %98,305 doğruluk elde etti. Ek olarak, sınıflandırıcı etkili bir yürütme süresi gösterir, bu da tıbbi kuruluşlarda gerçek zamanlı uygulamalar için uygun hale getirir. Clark mesafe sınıflandırıcısının GWO ile kombinasyonu sadece sınıflandırma doğruluğunu arttırmakla kalmaz, aynı zamanda hesaplama verimliliğini de sağlar, böylece PD hastalarının erken tespiti ve sürekli izlenmesi için hastaneler ve ev izleme sistemleri gibi çeşitli ortamlarda konuşlandırılmasını sağlar. Bu çalışma, önerilen yaklaşımın ses tabanlı PD tespiti için güvenilir, uygun maliyetli ve ölçeklenebilir bir çözüm olarak potansiyelini vurgulamaktadır.
Özgün kaynak özetini okuyun
This paper presents a novel classifier based on the Clark distance for early detection of Parkinson's disease (PD) using voice data. The nonlinear nature of human voice signals and their inherent fluctuations pose significant challenges for traditional machine learning classifiers such as Random Forest (RF), Support Vector Machines (SVM), Decision Trees (DT), K-Nearest Neighbors (KNN), and Logistic Regression (LR), which struggle to capture meaningful relationships within the voice data for accurate classification. The proposed classifier addresses these limitations by segmenting the data features of each voice sample into smaller blocks (ranging in size from 2 to 10 features per block), to better capture relationships and minimize fluctuations that negatively impact classification accuracy. To further enhance the performance of the classifier, Grey Wolf Optimization (GWO) was integrated to select high-harmony (convergent) features while removing irrelevant and redundant (divergent) features. The proposed approach achieved an accuracy of 94.6% without GWO and an impressive 98.305% accuracy with GWO, using only 12 selected features. Additionally, the classifier demonstrates efficient execution time, making it well-suited for real-time applications in medical organizations. The combination of the Clark distance classifier with GWO not only improves classification accuracy but also ensures computational efficiency, enabling its deployment in diverse settings such as hospitals and home monitoring systems for early detection and continuous monitoring of PD patients. This study highlights the potential of the proposed approach as a reliable, cost-effective, and scalable solution for voice-based PD detection.
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.