NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığında hipokinetik disartri, erişilebilir bir non-invaziv biyobelirteç sağlar, ancak çok sınıflı şiddet derecelendirmesi, mevcut yaklaşımlarda örtüşen akustik desenler ve sınırlı uzun menzilli zamansal modelleme nedeniyle zor kalır. MethodsWe, 2D temsillere dönüştürülen multimodal konuşma özelliklerini kullanarak melez bir CNN-Mamba çerçevesi geliştirdi. Model, konuşmacı-ayrık PC-GITA İspanyolca verileri üzerinde eğitildi ve onaylandı ve kamu Parkinson konuşma grubu üzerinde ek dış değerlendirme ile bağımsız bir Mandarin klinik kohortu üzerinde test edildi. Konuşmacı düzeyindeki sonuçlar, her bir konu içinde segment tahminlerinin toplanmasıyla elde edildi.SonuçlarSegment düzeyindeki doğruluk PC-GITA'da %97,8'e ve Mandarin kohortunda %95,4'e ulaştı. Konuşmacı düzeyinde doğruluk, çoğunluk oylaması kullanılarak %94.0 ve %91.2'ye ulaştı, ortalama olasılık agregasyonu ile %94.8 ve %91.9'a yükseldi. SHAP analizi fizyolojik yorumlanabilirliği destekledi ve ablasyon çalışmaları CNN-BILSTM, Transformer ve SVM taban çizgilerine göre avantajlar gösterdi.TartışmaÖnerilen CNN-Mamba çerçevesi, Parkinson hastalığı ciddiyet değerlendirmesi ve uzaktan izleme için yorumlanabilir, hesaplamalı olarak verimli ve invazif olmayan bir yaklaşım sağlarken, yapılandırılmış klinik konuşma görevleri altında çapraz dil aktarımı vaat ediyor.
Özgün kaynak özetini okuyun
IntroductionHypokinetic dysarthria in Parkinson's disease provides an accessible non-invasive biomarker, but multi-class severity grading remains difficult because of overlapping acoustic patterns and limited long-range temporal modeling in existing approaches.MethodsWe developed a hybrid CNN-Mamba framework using multimodal speech features transformed into 2D representations. The model was trained and validated on speaker-disjoint PC-GITA Spanish data and tested on an independent Mandarin clinical cohort, with additional external evaluation on a public Parkinsonian speech corpus. Speaker-level results were obtained by aggregating segment predictions within each subject.ResultsSegment-level accuracy reached 97.8% on PC-GITA and 95.4% on the Mandarin cohort. Speaker-level accuracy reached 94.0% and 91.2% using majority voting, improving to 94.8% and 91.9% with mean-probability aggregation. SHAP analysis supported physiological interpretability, and ablation studies showed advantages over CNN-BiLSTM, Transformer, and SVM baselines.DiscussionThe proposed CNN-Mamba framework provides an interpretable, computationally efficient, and non-invasive approach for Parkinson's disease severity assessment and remote monitoring, with promising cross-lingual transfer under structured clinical speech tasks.
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.