NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundParkinson hastalığı sıklıkla erken ses bozukluğunu gösterir, invazif olmayan ve ölçeklenebilir dijital tarama araçlarının geliştirilmesini motive eder.ObjectiveBu çalışma, Parkinson hastalığı tespiti için tanıma-farkındalık bağlamını ses kayıtlarından entegre eden multiview spektrogram tabanlı bir derin öğrenme çerçevesi önermektedir. 203 katılımcıdan MethodsVoice kayıtları (121 Parkinson hastalığı ve 82 sağlıklı kontrol ile) prospektif olarak toplandı. Üç spektrogram temsili (Mel, kısa zamanlı Fourier dönüşümü ve sabit-Q dönüşümü) paralel konvolutional sinir ağı dalları aracılığıyla çıkarıldı ve işlendi. Otomatik konuşma tanıma transkript anlaşmasından türetilen bir tanıma oranı (RR) özellik vektörü isteğe bağlı olarak spektrogram gömme ile birleştirildi. Modeller sıkı konu-bilgesi kullanılarak değerlendirildi 5-kat çapraz-validasyon.ResultsMultiview spektrogram tanıma-farkındalık Parkinson tespit ağı, RR özelliğini birleştirirken %97,4'e (SD %5,7) iyileşerek, 3-görüş spektrogram füzyonu kullanarak %86,9 (SD %25,2) ortalama test doğruluğu elde etti. RR entegrasyonu, yanlış negatif oranı yaklaşık %84.5 oranında azalttı ve tarama odaklı ayarlarda duyarlılığı önemli ölçüde artırdı.Conclusions Multiview spektrogram öğrenmesini tanıma-farkındalık bağlamı ile birleştirmek, sızıntısız değerlendirme altında ses tabanlı Parkinson hastalığı sınıflandırmasını önemli ölçüde artırır. Bu bulgular, yapılandırılmış kayıt ayarlarında noninvaziv tarama için bu yaklaşımın potansiyelini desteklerken, çeşitli gerçek dünya ortamlarında daha fazla doğrulamaya ihtiyaç duyulmaktadır.
Özgün kaynak özetini okuyun
BackgroundParkinson disease frequently manifests early vocal impairment, motivating the development of noninvasive and scalable digital screening tools.ObjectiveThis study proposes a multiview spectrogram-based deep learning framework integrating recognition-aware context for Parkinson disease detection from voice recordings.MethodsVoice recordings from 203 participants (121 with Parkinson disease and 82 healthy controls) were collected prospectively. Three spectrogram representations (Mel, short-time Fourier transform, and constant-Q transform) were extracted and processed through parallel convolutional neural network branches. A recognition ratio (RR) feature vector derived from automatic speech recognition transcript agreement was optionally fused with spectrogram embeddings. Models were evaluated using strict subject-wise 5-fold cross-validation.ResultsMultiview spectrogram recognition-aware Parkinson detection network achieved a mean test accuracy of 86.9% (SD 25.2%) using 3-view spectrogram fusion, improving to 97.4% (SD 5.7%) when incorporating the RR feature. RR integration reduced the false negative rate by approximately 84.5%, substantially improving sensitivity in screening-oriented settings.ConclusionsCombining multiview spectrogram learning with recognition-aware context significantly enhances voice-based Parkinson disease classification under leakage-free evaluation. These findings support the potential of this approach for noninvasive screening in structured recording settings, while further validation in diverse real-world environments is needed.
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.