NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD), motor ve bilişsel bozukluklara neden olan, 60 yaşın üzerindeki bireylerin yaklaşık% 1'ini etkileyen ilerici bir nörodejeneratif bozukluktur. Konuşma bozuklukları en erken ve en erişilebilir biyobelirteçler arasında yer almakta olup, ses tabanlı değerlendirmeyi uzaktan PD izleme için umut verici bir yol haline getirmektedir. Bununla birlikte, mevcut konuşma tabanlı PD tahmin yöntemleri, model performansını düşüren özellik fazlalığından, model varsayımlarını ihlal eden Gaussian olmayan veri dağılımlarından ve sınırlı sistematik özellik gruplandırma stratejilerinden muzdariptir. Bu çalışma, motor birleştirilmiş PD derecelendirme ölçeğini (UPDRS) ve biyomedikal ses ölçümlerinden Total-UPDRS puanlarını tahmin ederek PD teşhis hassasiyetini iyileştirmek için uyarlanabilir bir yaklaşım sunar. Önerilen çerçeve, bu zorlukları üç entegre bileşen aracılığıyla ele alır: (1) Varyansı dengelemek, eğriliği azaltmak ve özellikleri normalleştirmek için Box-Cox dönüşümü; (2) K-Means aracılığıyla özellikleri ilişkilendiren ve karşılıklı bilgi kullanarak küme başına en bilgilendirici temsilcisini seçen kümeleme tabanlı bir özellik seçim yöntemi, böylece ayrımcı gücü kaybetmeden fazlalığı ortadan kaldırır; ve (3) düğüm bölmede aşırı rasgeleleştirme hesaplama sağlayan bir Ekstra Ağaçlar Regresör (ETR). Sıkı değerlendirmeyi sağlamak için, veri sızıntısını önlemek için özneden bağımsız bir veri bölme stratejisi benimsenir ve model istikrarını değerlendirmek için k-kat çapraz doğrulama kullanılır. Önerilen yöntem, birden fazla özellik seçimi tekniğine karşı karşılaştırılır-mutual bilgi, özyinelemeli özellik eliminasyonu, Lasso regresyonu ve Ridge, Lasso, Linear, Decision Tree, k-Nearest Neighbors, Random Forest, Gradient Boosing, AdaBoost ve Extra Trees Regressors dahil olmak üzere dokuz regresyon modeli ile eşleştirilmiş otomatik kodlayıcılar. ETR ile birleştirilen kümeleme tabanlı özellik seçimi, en iyi performansı elde ederek, Motor-UPDRS için 0.999 ve test setindeki Total-UPDRS için 0.997 puan elde etti. Bu sonuçlar, çapraz doğrulama analizi ve özellik önemi değerlendirmesi ile daha da desteklenir ve konuşma tabanlı PD telekontrolü için önerilen çerçevenin etkinliğini ve sağlamlığını gösterir.
Özgün kaynak özetini okuyun
Parkinson's Disease (PD) is a progressive neurodegenerative disorder that causes motor and cognitive impairments, affecting approximately 1% of individuals over 60 years of age. Speech impairments are among the earliest and most accessible biomarkers, making voice-based assessment a promising avenue for remote PD monitoring. However, existing speech-based PD prediction methods suffer from feature redundancy that degrades model performance, non-Gaussian data distributions that violate model assumptions, and limited systematic feature grouping strategies. This study introduces an adaptive approach to improve PD diagnostic precision by predicting the Motor Unified PD Rating Scale (UPDRS) and Total-UPDRS scores from biomedical voice measurements. The proposed framework addresses these challenges through three integrated components: (1) Box-Cox transformation to stabilize variance, reduce skewness, and normalize features; (2) a clustering-based feature selection method that groups correlated features via K-Means and selects the most informative representative per cluster using mutual information, thereby eliminating redundancy without losing discriminative power; and (3) an Extra Trees Regressor (ETR) whose extreme randomization in node splitting provides computational efficiency and reduced variance. To ensure rigorous evaluation, a subject-independent data splitting strategy is adopted to prevent data leakage, and k-fold cross-validation is employed to assess model stability. The proposed method is compared against multiple feature selection techniques-mutual information, recursive feature elimination, Lasso regression, and autoencoders-paired with nine regression models including Ridge, Lasso, Linear, Decision Tree, k-Nearest Neighbors, Random Forest, Gradient Boosting, AdaBoost, and Extra Trees Regressors. The clustering-based feature selection combined with ETR yielded the best performance, achieving [Formula: see text] scores of 0.999 for Motor-UPDRS and 0.997 for Total-UPDRS on the test set. These results are further supported by cross-validation analysis and feature importance evaluation, demonstrating the effectiveness and robustness of the proposed framework for speech-based PD telemonitoring.
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.