NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Abstract Parkinson hastalığı (PD), motor performans üzerinde önemli bir etkiye sahip olabilen, titreme, sertlik, postural instabiliteler ve bradykinezi gibi semptomların ortaya çıkmasına neden olan ilerici bir nörodejeneratif hastalıktır. Hastaların zamanında klinik tedavi, hastalık yönetimi ve kaliteli yaşamları PD'nin erken ve uygun tanımlanması ile yakından bağlantılıdır. Geçtiğimiz birkaç yıl içinde, giyilebilir sensör teknolojisinin ve yapay zekanın (AI) büyümesi, invazif olmayan ve veri odaklı hastalık tespit yöntemleri oluşturmayı mümkün kılmıştır. Bu makale, bir atalet ölçüm birimi (IMU) tarafından yakalanan hareket ve titreme verilerini analiz ederek Parkinson hastalığını tespit etmek için yapay zeka kullanan karşılaştırmalı bir sistem önermektedir. Veriler, ivmelenme ve jiroskop sensörlerinin üç yönde (X, Y ve Z) hareketi ölçme sinyallerini içerir. İşaretler ve semptomlar, PD ile ilişkili ince motor açıkları hakkında yararlı bilgiler sağlar.Vektör Makinesi (SVM), Lojistik Regresyon (LR), K-En Yakın Komşular (KNN), Karar Ağacı (DT), Aşırı Gradyan Boost (XGBoost) ve Hafif Gradyan Boost Makinesi (LightGBM) gibi çeşitli sınıflandırma modelleri etkinliğini karşılaştırmak için kullanılmıştır. Logistic Regression modeli tüm değerlendirme ölçümlerinde %75, K-Nearest Neighbours (KNN) ise %90 civarında bir performansa sahipti. Destek vektör makinesi (SVM) neredeyse %94 performans gösterirken, Karar Ağacı ve XGBoost gibi sınıflandırıcıların performansı sırasıyla %96'ya ve genel sınıflandırma etkinliğine yakındı. LightGBM modeli, değerlendirilen tüm yöntemler arasında tutarlı bir şekilde en iyi seviyede performans gösterir ve %97 civarında Doğruluk, Hassaslık, Geri Çağırma ve F1-skoruna sahiptir. Sonuçlar, önerilen makine öğrenimi yaklaşımının PD şiddetinin sınıflandırılmasında doğru ve etkili bir tahmin kabiliyeti sunduğunu göstermektedir.
Özgün kaynak özetini okuyun
Abstract Parkinson disease (PD) is a progressive neurodegenerative disease that can have a significant impact on motor performance, resulting in the appearance of symptoms such as tremors, rigidity, postural instabilities and bradykinesia. Timely clinical treatment, disease management and quality life of the patients are closely linked to early and appropriate identification of PD. Over the past few years, the growth of wearable sensor technology and artificial intelligence (AI) have made it possible to create non-invasive and data-driven disease detection methods. This paper proposes a comparative system using artificial intelligence to detect Parkinson’s disease by analyzing the motion and tremor data captured by an inertial measurement unit (IMU). The data comprises the signals of the acceleration and gyroscope sensors measuring movement in three directions (X, Y and Z). The signs and symptoms provide helpful information about subtle motor deficits associated with PD.Several classification models like Support Vector Machine (SVM), Logistic Regression (LR), K-Nearest Neighbors (KNN), Decision Tree (DT), Extreme Gradient Boosting (XGBoost), and Light Gradient Boosting Machine (LightGBM) were used to compare their effectiveness. The Logistic Regression model had a performance around 75% in all evaluation metrics and K-Nearest Neighbours (KNN) around 90%. The support vector machine (SVM) performed almost 94% whereas the performance of classifiers such as Decision Tree and XGBoost was close to 96% and overall classification efficacy, respectively. LightGBM model performs consistently at the best rank among all of the evaluated methods, having Accuracy, Precision, Recall and F1-score of around 97%. The results show that the proposed machine learning approach offers an accurate and effective predictive capability in the classification of PD severity.
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.