NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Abstract Bilişsel bozukluk Parkinson hastalığında (PD) fonksiyonel olarak zayıflatıcı olmayan motor semptomlardan biridir. Bununla birlikte, mevcut teşhis ve klinik uygulamalar, sübjektif değerlendirmelere ve hafif açıkları tespit etmek için geçici çözünürlükten yoksun olan ağır davranışsal testlere dayanır. EEG ve pupilometri bilişsel işleme konusunda umut verici non-invaziv anlayışlar sunarken, erken PD'de ince ve genellikle zor olan disfonksiyonu tespit etmek için daha ölçeklenebilir ve objektif yöntemlere ihtiyaç vardır. Makine öğrenimi (ML), standart değerlendirmelerde belirgin olmayan ince bozuklukları tanımlamak için bilişsel görevler sırasında kaydedilen nörofizyolojik sinyallerdeki kalıpları kullanır. Görsel bir Değişim Algılama çalışma belleği görevi sırasında 68 katılımcıdan (35 PD, 33 sağlıklı kontrol (HC)) EEG ve pupilometri verilerini kaydettik. Özel, standartlaştırılmış özellik çıkarma araç kutumuzu kullanarak 108 özellik çıkardık ve ortaya çıkan özellik matrislerini bir ML boru hattına dahil ettik. Sınıfları dengelemek için SMOTE uyguladık, daha sonra boyutsallığı azaltmak için ana bileşen analizini (PCA) kullandık. Otomatik bir dirsek yöntemi, temel bileşenler (PC'ler) ve orijinal özellikler için en uygun kesmeleri tanımladı ve bu da hesaplama verimliliği için daha sonraki özyinelemeli eliminasyona (RE) rehberlik etti. PD'yi sınıflandırmak için radyal baz fonksiyon çekirdeğine (RBF-SVM) sahip bir destek vektör makinesi eğittik ve son modelin performansını bekletme veri kümesinde değerlendirdik. Otomatik dirsek yöntemi, 20 PC'de ve 22 orijinal özellikte optimal kesmeleri tanımladı. RE, 14 PC ve en iyi 7 PCA ağırlıklı özellikleri kullanan bir modelin en yüksek performansa ulaştığını, %71 doğruluk ve 0.701 F1 puanı elde ettiğini ortaya koydu. Sınıflandırıcının performansı, tutulan veriler üzerinde test edildiğinde biraz azaldı, %63 doğruluk ve 0,626 F1 puanı ile. Bu çalışma, PD'nin erken bilişsel belirteçlerini ortaya çıkarmak için görevle hizalanmış bir ML boru hattının potansiyelini göstermektedir. Çerçeve, sınıflandırmayı belirli fizyolojik özelliklere ve görev aşamalarına bağlayan izlenebilir araçları destekler, PD'deki bilişsel işlev bozukluğunun mekanistik araştırmasını destekler.
Özgün kaynak özetini okuyun
Abstract Cognitive impairment is one of the most functionally debilitating non-motor symptoms in Parkinson's disease (PD). Yet, current diagnostic and clinical practices rely heavily on subjective assessments and burdensome behavioral testing, which lack the temporal resolution to detect subtle deficits. While EEG and pupillometry offer promising non-invasive insights into cognitive processing, more scalable and objective methods are needed to detect subtle and often elusive dysfunction in early PD. Machine learning (ML) leverages patterns in neurophysiological signals recorded during cognitive tasks to identify subtle impairments that may not be evident in standard evaluations. We recorded EEG and pupillometry data from 68 participants (35 PD, 33 healthy controls (HC)) during a visual Change Detection working memory task. Using our custom, standardized feature-extraction toolbox, we extracted 108 features and incorporated the resulting feature matrices into an ML pipeline. We applied SMOTE to balance the classes, then used principal component analysis (PCA) to reduce dimensionality. An automated elbow method identified optimal cutoffs for principal components (PCs) and original features, which guided subsequent recursive elimination (RE) for computational efficiency. We trained a support vector machine with a radial basis function kernel (RBF-SVM) to classify PD and evaluated the final model's performance on a hold-out dataset. The automated elbow method identified optimal cutoffs at 20 PCs and 22 original features. The RE revealed that a model using 14 PCs and the top 7 PCA-weighted features achieved the highest performance, with 71% accuracy and an F1 score of 0.701. The classifier's performance declined slightly when tested on held-out data, with an accuracy of 63% and an F1 score of 0.626. This study demonstrates the potential of a task-aligned ML pipeline for uncovering early cognitive markers of PD. The framework supports traceable tools that link classification back to specific physiological features and task stages, supporting mechanistic investigation of cognitive dysfunction in PD.
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.