NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Derin öğrenme modelleri de dahil olmak üzere makine öğrenme yaklaşımları Parkinson hastalığının otomatik tespitinde umut verici performans göstermiştir. Bu yaklaşımlar, ses kayıtlarının veri ediniminin elverişli ve invazif olmayan doğası nedeniyle en çok kullanıldığı farklı veri türlerine dayanır. Grubumuz, Parkinson hastalığı olan kişileri tanımlamak için sürekli sesli harf /a/'nın spektrogram görüntülerini analiz etmek için transfer öğrenme ile konvolutional sinir ağını kullanan yeni bir yaklaşım geliştirdi. Bu yaklaşımı, sınırlı bant genişliğine sahip olan telefon hatları üzerinden ses kayıtlarından oluşan bir veri kümesi toplayarak test ettik. Bu çalışma, önceki sonuçlarımızı iki ana yoldan temel alıyor: İlk olarak, yaklaşımımızın performansını geniş bant genişliğine sahip akıllı telefonlar kullanılarak kaydedilen daha büyük bir ses veri kümesi üzerinde test ettik. Sonuçlarımız, telefon hatlarının sınırlı bant genişliğinden kaynaklanan en önemli özelliklerdeki farklılıkları bildirdiğimiz farklı kayıt platformları kullanılarak oluşturulan iki veri kümesi arasında karşılaştırılabilir performans göstermektedir. İkincisi, doğrusal ölçekli ve mel ölçekli spektrogram görüntüleri kullanılarak elde edilen sınıflandırma performansını karşılaştırdık ve mel ölçekli spektrogramlar kullanarak küçük ama istatistiksel olarak anlamlı bir kazanç gösterdik. Transfer öğrenme yaklaşımına sahip konvolutional sinir ağı, özellik vektörleri oluşturmak için zaman içinde ölçümleri çökerten geleneksel makine öğrenme yöntemlerine karşı üstün performans gösterdi.
Özgün kaynak özetini okuyun
Abstract Machine learning approaches including deep learning models have shown promising performance in the automatic detection of Parkinson’s disease. These approaches rely on different types of data with voice recordings being the most used due to the convenient and non-invasive nature of data acquisition. Our group has successfully developed a novel approach that uses convolutional neural network with transfer learning to analyze spectrogram images of the sustained vowel /a/ to identify people with Parkinson’s disease. We tested this approach by collecting a dataset of voice recordings via telephone lines, which have limited bandwidth. This study builds upon our prior results in two major ways: First, we tested the performance of our approach on a larger voice dataset recorded using smartphones with wide bandwidth. Our results show comparable performance between two datasets generated using different recording platforms where we report differences in most important features resulting from the limited bandwidth of telephonic lines. Second, we compared the classification performance achieved using linear-scale and mel-scale spectrogram images and showed a small but statistically significant gain using mel-scale spectrograms. The convolutional neural network with transfer learning approach showed superior performance against conventional machine learning methods that collapse measurements across time to generate feature vectors.
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.