NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), konuşma üretimi de dahil olmak üzere motor fonksiyonları önemli ölçüde etkileyen ilerici bir nörodejeneratif bozukluktur. Ses analizi, zaman içinde PD'nin teşhisi ve izlenmesi için daha az invazif, daha hızlı ve daha uygun maliyetli bir yaklaşım sunar. Bu araştırma, PD ve PD olmayan bireyler arasında son teknoloji sinyal işleme ve makine öğrenimi (ML) yöntemlerini kullanarak konuşma sinyallerine dayalı olarak ayırt etmek için otomatik bir sistem sunmaktadır. Model eğitim ve değerlendirme için PD hastalarından ve PD olmayan bireylerden konuşma kayıtları içeren halka açık bir ses veri seti (Veri Kümesi 1, 81 örnek) kullanıldı. Ek olarak, bu çalışmanın gelecekteki potansiyel uzantılarını göstermek için küçük bir ek veri kümesi (Dataset 2, 15 örnekleri) oluşturuldu. Azalmış vokal aralığı, zayıf harmonikler, yüksek spektral entropi ve bozulmuş formant yapıları da dahil olmak üzere PD ile ilgili önemli ses bozukluklarını yakalamak için Mel-frekanslı ceptral katsayılar (MFCC'ler), spektrogramlar, Mel spektrogramlar ve dalga formu temsilleri gibi özellikler çıkarıldı. Bu çıkarılan özellikler, destek vektör makinesi (SVM), XGBoost ve lojistik regresyon gibi birçok ML modelinin yanı sıra derin sinir ağları (DNN), evrişimsel sinir ağları (CNN), uzun kısa süreli bellek (LSTM), CNN + kapılı tekrarlayan ünite (GRU) ve çift yönlü LSTM (BILSTM) gibi derin öğrenme (DL) mimarilerini eğitmek ve değerlendirmek için kullanıldı. Deneysel sonuçlar, DL modellerinin, özellikle BiLSTM'nin, geleneksel ML modellerinden daha iyi performans gösterdiğini,% 97 doğruluk ve 0.95 AUC elde ettiğini göstermektedir. Her iki veri kümesinden kapsamlı özellik çıkarma, PD ve PD olmayan konuşma sinyallerinin sağlam sınıflandırılmasını sağladı. Bu bulgular, Parkinson Hastalığının erken teşhisi ve izlenmesi için akustik özelliklerin DL yöntemleriyle bütünleştirilmesi potansiyelini vurgulamaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a progressive neurodegenerative disorder that significantly affects motor functions, including speech production. Voice analysis offers a less invasive, faster and more cost-effective approach for diagnosing and monitoring PD over time. This research introduces an automated system to distinguish between PD and non-PD individuals based on speech signals using state-of-the-art signal processing and machine learning (ML) methods. A publicly available voice dataset (Dataset 1, 81 samples) containing speech recordings from PD patients and non-PD individuals was used for model training and evaluation. Additionally, a small supplementary dataset (Dataset 2, 15 samples) was created although excluded from experiment, to illustrate potential future extensions of this work. Features such as Mel-frequency cepstral coefficients (MFCCs), spectrograms, Mel spectrograms and waveform representations were extracted to capture key vocal impairments related to PD, including diminished vocal range, weak harmonics, elevated spectral entropy and impaired formant structures. These extracted features were used to train and evaluate several ML models, including support vector machine (SVM), XGBoost and logistic regression, as well as deep learning (DL)architectures such as deep neural networks (DNN), convolutional neural networks (CNN) combined with long short-term memory (LSTM), CNN + gated recurrent unit (GRU) and bidirectional LSTM (BiLSTM). Experimental results show that DL models, particularly BiLSTM, outperform traditional ML models, achieving 97% accuracy and an AUC of 0.95. The comprehensive feature extraction from both datasets enabled robust classification of PD and non-PD speech signals. These findings highlight the potential of integrating acoustic features with DL methods for early diagnosis and monitoring of Parkinson's Disease.
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.