NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Nörodejeneratif hastalıklar, beyin ve sinir sistemlerine işlevselliğini bozan giderek zarar verir. Erken tanı, tedavilerin etkinliğini ve hastanın yaşam kalitesini artırabilir. İnsan sesinden çıkarılan biyobelirteçler Parkinson (PD) ve multipl skleroz (MS) gibi nörodejeneratif hastalıkları taramak için basit, verimli ve non-invaziv bir metodoloji olabilir. Bununla birlikte, büyük ölçekli hasta uygulamalarında gerekli olan güvenilir ve klinik olarak onaylanmış metodolojilerin eksikliği hala vardır. Ses sinyallerinden çıkarılan özellikler için bir metodolojiyi nörodejeneratif hastalıkların erken teşhisi için non-invaziv indeksler olarak tanımlıyoruz. Sesli harfleri ve konuşmayı, akustik, eklemlenme ve ceptral olanlar gibi bir dizi sinyal özelliği üzerinde eğitilmiş bir dizi makine öğrenimi (ML) algoritmasını kullanarak birleştirir ve analiz ederiz. Metodoloji tamamen uygulanmış ve normofonik ve patolojik ses sinyallerinin bir veri kümesine uygulanmıştır. Deneysel sonuçlar, metodolojinin sağlıklı sesleri patolojik seslerden ayırt edebildiğini kanıtladı, örneğin %97.5 doğruluk, %98.5 hassasiyet, %97.0 hassasiyet, %98.0 F1-skor, 0,95 Matthews korelasyon katsayısı ve 0,98 AUC gibi güvenilir performanslarla. Son olarak, önerilen metodoloji, konuşma ve vokal özelliklerinden nörolojik biyobelirteçlerin tanımlanması için açıklanabilirlik görevleri sağlar ve güvenilirliğini onaylar. Veri örneği ve kodu içeren bir github deposu https://github.com/PatriziaVizza/SpeechAndVocalSignalsAnalysis adresinde bulunmaktadır.
Özgün kaynak özetini okuyun
Neurodegenerative diseases progressively damage brain and nervous systems impairing their functionality. Early diagnosis can improve the efficacy of treatments and patient's life quality. Biomarkers extracted from the human voice can be a simple, efficient, and non-invasive methodology to screen neurodegenerative diseases such as Parkinson's (PD) and multiple sclerosis (MS). Nevertheless, there is still a lack of reliable and clinically approved methodologies required in large-scale patient applications. We define a methodology for features extracted from voice signals as non-invasive indices for early diagnosis of neurodegenerative diseases. We combine and analyze vowels and speech using a set of machine learning (ML) algorithms trained on a combined set of signal features such as acoustic, articulation, and cepstral ones. The methodology has been fully implemented and applied to a dataset of normophonic and pathological voice signals. Experimental results proved that methodology is able to distinguish healthy from pathological voices, with reliable performances, such as accuracy of 97.5%, sensitivity of 98.5%, precision of 97.0%, F1-score of 98.0%, the Matthews correlation coefficient of 0.95, and AUC of 0.98. Finally, the proposed methodology provides explainability tasks for neurological biomarkers identification from speech and vocal features, confirming its reliability. A github repository with data sample and code is available at https://github.com/PatriziaVizza/SpeechAndVocalSignalsAnalysis.
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.