NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığı (PD), motor kontrol için gerekli nörotransmitterleri üretmekten sorumlu belirli nöronların aşamalı dejenerasyonu ile karakterize kronik, yavaş ilerleyen ve geri dönüşü olmayan nöropatolojik bir hastalıktır. PD öncelikle motor fonksiyonu etkilese de, çeşitli motor olmayan semptomlar yaygın olarak prodromal faz sırasında ortaya çıkar. Bunlar otonom disfonksiyon, bilişsel ve nörodavranışsal bozukluklar ve duyusal ve uyku anormallikleridir. Özellikle, konuşma ve ses değişiklikleri, özellikle hipokinetik disartri, sık sık ortaya çıkar. Bu araştırma, PD'li bireyler ve sağlıklı kontroller ile ses sinyallerini konuşma tanıma ve makine öğrenimi (ML) teknikleri ile ayırt etmek için bir metodoloji sunmaktadır. 81 ses örneğinden (41 sağlıklı kontrol ve 40 PD hasta) oluşan bir veri kümesi, iki tip ceptral özelliği çıkarmak için kullanılmıştır: Mel-frekans ceptral katsayıları (MFCC'ler) ve alt bant tabanlı ceptral katsayıları (SBC'ler). Bu çıkarılan özellikler üç ML algoritmasını eğitmek ve değerlendirmek için kullanıldı: Rastgele Orman (RF), K-En Yakın Komşular (KNN) ve Destek Vektör Makineleri (SVM). Bulgular: Değerlendirilen algoritmalar arasında RF-SBC modeli en yüksek performansı sergiledi ve %96 doğruluk, %91.67 hassasiyet ve %98.08 ROC Eğrisi Altında Alan (AUC-ROC) elde etti. Sonuç: Bu çalışma, PD'nin erken tespiti için güvenilir, invazif olmayan araçlar geliştirmek için cepstral özelliklerin makine öğrenme algoritmalarıyla bütünleştirilmesi potansiyelini vurgulamaktadır.
Özgün kaynak özetini okuyun
Background: Parkinson’s disease (PD) is a chronic, slowly progressive, and irreversible neuropathological disorder characterized by the progressive degeneration of specific neurons responsible for producing neurotransmitters essential for motor control. Although PD primarily affects motor function, various non-motor symptoms commonly emerge during the prodromal phase. These include autonomic dysfunction, cognitive and neurobehavioral disorders, and sensory and sleep abnormalities. Notably, speech and voice alterations, particularly hypokinetic dysarthria, are frequent manifestations. This research presents a methodology to distinguish between individuals with PD and healthy controls using voice signals through speech recognition and machine learning (ML) techniques. A dataset comprising 81 voice samples (41 healthy controls and 40 PD patients) was utilized to extract two types of cepstral features: Mel-frequency cepstral coefficients (MFCCs) and subband-based cepstral coefficients (SBCs). These extracted features were used to train and evaluate three ML algorithms: Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machines (SVM). Results: Among the algorithms evaluated, the RF-SBC model exhibited the highest performance, achieving an accuracy of 96%, a sensitivity of 91.67%, and an Area Under the ROC Curve (AUC-ROC) of 98.08%. Conclusions: This study highlights the potential of integrating cepstral features with machine learning algorithms to develop reliable, non-invasive tools for the early detection of 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.