NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
GirişParkinson Hastalığı (PD), dopaminerjik nöronların dejenerasyonundan kaynaklanan, konuşma, motor kontrol ve bilişsel işlevlerde bozulmalara yol açan ilerici bir nörodejeneratif bozukluktur. Son hesaplama modelleri gelişmiş tanı doğruluğuna sahip olsa da, birçoğu hala manuel müdahaleye bağlıdır, egzersizle ilgili kalıpları hesaba katmaz ve hastalık yanlış sınıflandırılmasına katkıda bulunabilir. Büyük hacimli klinik verileri idare edebilen otomatik ve son derece güvenilir bir tahmin modeli için artan bir ihtiyaç vardır.MethodsA Parkinson hastalığı veri seti bir çevrimiçi kamu deposundan elde edilmiştir. Veri kalitesini artırmak için, gürültüyü en aza indirmek ve alakasız kayıtları ortadan kaldırmak için Z-Score Normalizasyon (ZSN) uygulandı. Hastalık, daha sonra hastalığa bağlı özelliklerin etkisini ölçmek ve sıralamak için Scaling Rate (DASR) tekniğini etkiledi. Özellik seçimi, en önemli hastalık göstergelerini çıkarmak için önerilen Lojistik Karar Egzoz Özelliği Seçimi (LDEFS) yaklaşımı kullanılarak gerçekleştirildi. Son olarak, Mamdani Bulanık Sinir Ağı (MFNN) modeli, optimal özellik alt kümesini kullanarak PD tahmini için geliştirilmiştir.SonuçlarÖnerilen LDEFS-MFNN çerçevesi, mevcut yaklaşımlara kıyasla üstün algılama kabiliyeti gösterdi. Deneysel değerlendirme, erken PD tespiti için %95,8'lik bir tahmin doğruluğu ve %95,3'lük bir F-ölçümünü gösterdi, literatürde bildirilen önceki makine öğrenme sınıflandırıcılarından daha iyi performans gösterdi.DiscussionResults, ayrıntılı özellik sıralamasının bulanık sinirsel modelleme ile entegrasyonunun, insan müdahalesi ihtiyacını en aza indirirken PD tahmin performansını artırdığını doğrulamaktadır. Egzersizle ilgili kalıpların dahil edilmesi ve optimize edilmiş özellik ağırlıklandırması, sınıflandırmada sağlamlığın artmasına yol açar. Bu nedenle, önerilen sistem erken Parkinson hastalığı teşhisi için güvenilir ve ölçeklenebilir bir çözüm sunar ve klinik konuşlandırma için güçlü bir potansiyele sahiptir.
Özgün kaynak özetini okuyun
IntroductionParkinson's Disease (PD) is a progressive neurodegenerative disorder caused by the degeneration of dopaminergic neurons, leading to impairments in speech, motor control, and cognitive functioning. Although recent computational models have improved diagnostic accuracy, many still depend on manual intervention, fail to account for exercise-related patterns, and may contribute to disease misclassification. There is a growing need for an automated and highly reliable predictive model capable of handling large volumes of clinical data.MethodsA Parkinson's disease dataset was obtained from an online public repository. To improve data quality, Z-Score Normalization (ZSN) was applied to minimize noise and eliminate irrelevant records. The Disease Affect Scaling Rate (DASR) technique was then employed to quantify and rank the influence of disease-related features. Feature selection was performed using the proposed Logistic Decision Exhaustive Feature Selection (LDEFS) approach to extract the most significant disease indicators. Finally, the Mamdani Fuzzy Neural Network (MFNN) model was developed for PD prediction using the optimal feature subset.ResultsThe proposed LDEFS-MFNN framework demonstrated superior detection capability compared to existing approaches. Experimental evaluation showed a prediction accuracy of 95.8% and an F-measure of 95.3% for early PD detection, outperforming previous machine-learning classifiers reported in the literature.DiscussionResults confirm that the integration of exhaustive feature ranking with fuzzy neural modeling enhances PD prediction performance while minimizing the need for human intervention. The inclusion of exercise-related patterns and optimized feature weighting leads to improved robustness in classification. Therefore, the proposed system offers a reliable and scalable solution for early Parkinson's disease diagnosis and has strong potential for clinical deployment.
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.