NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
GirişParkinson hastalığı (PD), erken belirtileri genellikle fark edilmeyen, zamanında tanıyı zorlaştıran ilerici bir nörolojik hastalıktır. Makine öğrenimi, standart yöntemlerle tespit edilmesi imkansız olan ince konuşma tabanlı biyobelirteçleri tespit etmek için güçlü algoritmalar sunar.MetodlarBu makalede, filtre, ambalaj ve gömülü yaklaşımları birleştirerek en iyi bilgilendirici özellikleri elde etmek, fazlalığı ortadan kaldırmak ve sınıflandırma performansını iyileştirmek için Geliştirilmiş Ensemble Özellik Seçimi Algoritması (EEFSA) önerdik. Önerilen çalışma, Dataset-1 (46 özellik, 80 örnek), EEFSA'nın özellikleri 20 özelliğe düşürdüğü ve Dataset-2'nin (754 özellik, 252 örnek) özelliklerini 40 özelliğe düşürdüğü iki benchmarklı ses tabanlı veri seti üzerinde test edilmiştir. Dokuz makine öğrenme sınıflandırıcısı denendi ve bunların en iyisi meta-sınıflandırıcı olarak lojistik regresyon ile istifleme topluluğunda birleştirildi.SonuçlarDeneyler, EEFSA güdümlü boyutsallık azaltmanın yalnızca sınıflandırma doğruluğunu artırmadığını, aynı zamanda eğitim süresini önemli ölçüde azalttığını ve montaj üzerinde en aza indirdiğini göstermektedir. Stacking Ensemble Classifier Model (SECM), önerilen yöntem temelinde konuşlandırılmış, sırasıyla Dataset-1 ve Dataset-2'de 86.67% ve 89.95% doğruluk elde etti ve tüm deneylerde bireysel sınıflandırıcılardan daha iyi performans gösterdi.ConclusionOverall, bu çalışma Parkinson hastalığı sınıflandırması için yeni ve verimli bir özellik seçimi ve topluluk öğrenme kombinasyonu yöntemi olarak EEFSA güdümlü istifleme sağlar. Önerilen EEFSA-SECM çerçevesi, etkili sınıflandırma doğruluğu, rekabetçi eğitim / test süreleri ve iki kriter veri setindeki AUC puanlarını geliştirerek Parkinson hastalığı teşhisi için etkili ve verimli bir yaklaşım olarak belirler.
Özgün kaynak özetini okuyun
IntroductionParkinson's disease (PD) is a progressive neurological disorder whose early symptoms often remain undetected, making timely diagnosis challenging. Machine learning offers strong algorithms to detect subtle speech-based biomarkers that are impossible to detect by standard methods.MethodsIn this article, we proposed an Enhanced Ensemble Feature Selection Algorithm (EEFSA) which combines filter, wrapper, and embedded approaches to extract the best informative features, eliminate redundancy, and improve classification performance. The proposed work has tested on two benchmark audio based datasets, such as Dataset-1 (46 features, 80 samples), where EEFSA reduced the features to 20 features, and Dataset-2 (754 features, 252 samples), where EEFSA reduced the features to 40 features. Nine machine learning classifiers were tried out and the best of them were combined into a stacking ensemble with logistic regression as the meta-classifier.ResultsExperiments show that EEFSA-driven dimensionality reduction not only enhanced accuracy of classification but also reduced training time considerably and minimized over fitting. The Stacking Ensemble Classifier Model (SECM) deployed on the basis of the proposed method achieved accuracy of 86.67% and 89.95% on Dataset-1 and Dataset-2, respectively, and outperformed individual classifiers in all experiments.ConclusionOverall, this work provides EEFSA-driven stacking as a new and efficient method of feature selection and ensemble learning combination for Parkinson's disease classification. The proposed EEFSA-SECM framework achieves effective classification accuracy, competitive training/testing times, and improved AUC scores on two benchmark datasets, establishing it as an effective and efficient approach for Parkinson's disease diagnosis.
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.