نویسنده
Wroge, T. J., Özkanca, Yasin Serdar, Demiroğlu, Cenk, Si, D., Atkins, D. C., Ghomi, R. H.
تاریخ انتشار
2018
محل انتشار
-
IEEE
نوع
سند
زبان
انگلیسی
دیجیتال
بله
نسخه خطی
خیر
کتابخانه
دانشگاه اوزیغین
شناسه دارایی کتابخانه
978-153865916-8
شماره ثبت
ba8c41e6-e6de-4dde-8dcb-794dfdf082f0
محل کتابخانه
مهندسی برق و الکترونیک
تاریخ
2018
یادداشتها
جایزه تحقیقات فارغ التحصیل از بخش کامپیوتر و سیستم های نرم افزاری دانشگاه واشنگتن بوتل. وزارت بهداشت و خدمات انسانی ایالات متحده مؤسسه ملی بهداشت (NIH) - ایالات متحده آمریکا ; برنامه کمک هزینه تحصیلی پیشرفته VA در بیماری پارکینسون
متن نمونه
نشانگرهای زیستی مشتق شده از صدای انسان به دلیل عملکرد شناختی و عصبی-عضلانی زیربنایی خود می توانند به اختلالات عصبی مانند بیماری پارکینسون (PD) بینایی ارائه دهند. PD یک اختلال عصبی پیشرونده است که حدود یک میلیون نفر را در ایالات متحده تحت تاثیر قرار می دهد و تقریباً شصت هزار تشخیص بالینی جدید در هر سال انجام می شود [1]. از نظر تاریخی، کمیت PD دشوار بوده است و پزشکان تمایل دارند بر روی برخی علائم تمرکز کنند در حالی که علائم دیگر را نادیده می گیرند و در درجه اول بر مقیاس های رتبه بندی ذهنی تکیه می کنند [2]. با توجه به کاهش کنترل حرکتی که مشخصه بیماری است، می توان از صدا به عنوان وسیله ای برای تشخیص و تشخیص PD استفاده کرد. با پیشرفتهای فناوری و رواج دستگاههای جمعآوری صدا در زندگی روزمره، مدلهای قابل اعتمادی که میتوانند این دادههای صوتی را به یک ابزار تشخیصی برای متخصصان مراقبتهای بهداشتی تبدیل کنند، به طور بالقوه تشخیصهایی را ارائه میکنند که ارزانتر و دقیقتر هستند. ما شواهدی را برای تأیید این مفهوم در اینجا با استفاده از مجموعه داده صوتی جمعآوریشده از افراد با و بدون PD ارائه میکنیم. این مقاله به بررسی اثربخشی استفاده از الگوریتمهای طبقهبندی نظارت شده، مانند شبکههای عصبی عمیق، برای تشخیص دقیق افراد مبتلا به این بیماری میپردازد. حداکثر دقت ما 85٪ ارائه شده توسط مدل های یادگیری ماشینی از میانگین دقت تشخیص بالینی غیرمتخصص (73.8٪) و میانگین دقت متخصصان اختلال حرکتی (79.6٪ بدون پیگیری، 83.9٪ پس از پیگیری) با معاینه پاتولوژیک پس از مرگ به عنوان حقیقت اصلی بیشتر است [3].
DOI
10.1109/SPMB.2018.8615607
