Published January 16, 2024
| Version v1
Publication
Open
Parkinson's disease detection based on features refinement through L1 regularized SVM and deep neural network
- 1. University of Science and Technology Bannu
- 2. Karolinska Institutet
- 3. King Abdulaziz University
- 4. Staffordshire University
- 5. University of Technology Sydney
Description
Abstract In previous studies, replicated and multiple types of speech data have been used for Parkinson's disease (PD) detection. However, two main problems in these studies are lower PD detection accuracy and inappropriate validation methodologies leading to unreliable results. This study discusses the effects of inappropriate validation methodologies used in previous studies and highlights the use of appropriate alternative validation methods that would ensure generalization. To enhance PD detection accuracy, we propose a two-stage diagnostic system that refines the extracted set of features through $$L_{1}$$ L 1 regularized linear support vector machine and classifies the refined subset of features through a deep neural network. To rigorously evaluate the effectiveness of the proposed diagnostic system, experiments are performed on two different voice recording-based benchmark datasets. For both datasets, the proposed diagnostic system achieves 100% accuracy under leave-one-subject-out (LOSO) cross-validation (CV) and 97.5% accuracy under k-fold CV. The results show that the proposed system outperforms the existing methods regarding PD detection accuracy. The results suggest that the proposed diagnostic system is essential to improving non-invasive diagnostic decision support in PD.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الخلاصة في الدراسات السابقة، تم استخدام أنواع متكررة ومتعددة من بيانات الكلام للكشف عن مرض باركنسون (PD). ومع ذلك، هناك مشكلتان رئيسيتان في هذه الدراسات وهما انخفاض دقة الكشف عن مرض باركنسون ومنهجيات التحقق غير المناسبة التي تؤدي إلى نتائج غير موثوقة. تناقش هذه الدراسة آثار منهجيات التحقق غير المناسبة المستخدمة في الدراسات السابقة وتسلط الضوء على استخدام طرق التحقق البديلة المناسبة التي من شأنها ضمان التعميم. لتعزيز دقة الكشف عن مرض باركنسون، نقترح نظام تشخيص على مرحلتين يعمل على تحسين مجموعة الميزات المستخرجة من خلال $$L _{ 1 }$ L 1 آلة دعم خطي منتظمة وتصنيف المجموعة الفرعية المكررة من الميزات من خلال شبكة عصبية عميقة. لتقييم فعالية نظام التشخيص المقترح بدقة، يتم إجراء التجارب على مجموعتين مختلفتين من البيانات المعيارية القائمة على تسجيل الصوت. بالنسبة لكلتا مجموعتي البيانات، يحقق نظام التشخيص المقترح دقة بنسبة 100 ٪ بموجب التحقق المتبادل من الإجازة الفردية للموضوع (LOSO) ودقة بنسبة 97.5 ٪ بموجب التحقق المتبادل من الإجازة الفردية للموضوع (CV). تظهر النتائج أن النظام المقترح يتفوق على الطرق الحالية فيما يتعلق بدقة الكشف عن التطوير المهني. تشير النتائج إلى أن نظام التشخيص المقترح ضروري لتحسين دعم القرار التشخيصي غير الجراحي في مرض باركنسون.Translated Description (French)
Résumé Dans des études antérieures, des types répliqués et multiples de données vocales ont été utilisés pour la détection de la maladie de Parkinson (MP). Cependant, deux problèmes principaux dans ces études sont une précision de détection de la MP plus faible et des méthodologies de validation inappropriées conduisant à des résultats peu fiables. Cette étude discute des effets des méthodologies de validation inappropriées utilisées dans les études précédentes et met en évidence l'utilisation de méthodes de validation alternatives appropriées qui assureraient une généralisation. Pour améliorer la précision de la détection de la MP, nous proposons un système de diagnostic en deux étapes qui affine l'ensemble des caractéristiques extraites à travers $$L_{1}$$ L 1 machine à vecteur de support linéaire régularisé et classifie le sous-ensemble raffiné de caractéristiques à travers un réseau neuronal profond. Pour évaluer rigoureusement l'efficacité du système de diagnostic proposé, des expériences sont effectuées sur deux ensembles de données de référence différents basés sur l'enregistrement vocal. Pour les deux ensembles de données, le système de diagnostic proposé atteint une précision de 100 % sous validation croisée (CV) Leave-one-subject-out (LOSO) et une précision de 97,5 % sous CV k-fold. Les résultats montrent que le système proposé surpasse les méthodes existantes en ce qui concerne la précision de la détection de la MP. Les résultats suggèrent que le système de diagnostic proposé est essentiel pour améliorer l'aide à la décision diagnostique non invasive dans la MP.Translated Description (Spanish)
Resumen En estudios anteriores, se han utilizado datos del habla replicados y múltiples para la detección de la enfermedad de Parkinson (EP). Sin embargo, dos problemas principales en estos estudios son la menor precisión de detección de PD y las metodologías de validación inapropiadas que conducen a resultados poco confiables. Este estudio analiza los efectos de las metodologías de validación inapropiadas utilizadas en estudios anteriores y destaca el uso de métodos de validación alternativos apropiados que garantizarían la generalización. Para mejorar la precisión de la detección de PD, proponemos un sistema de diagnóstico de dos etapas que refina el conjunto de características extraídas a través de una máquina de vectores de soporte lineal regularizada de $$ L_{1 } $ $ L 1 y clasifica el subconjunto refinado de características a través de una red neuronal profunda. Para evaluar rigurosamente la efectividad del sistema de diagnóstico propuesto, se realizan experimentos en dos conjuntos de datos de referencia basados en la grabación de voz diferentes. Para ambos conjuntos de datos, el sistema de diagnóstico propuesto logra una precisión del 100% en la validación cruzada (CV) de dejar un sujeto fuera (loso) y una precisión del 97,5% en CV de k veces. Los resultados muestran que el sistema propuesto supera los métodos existentes con respecto a la precisión de la detección de PD. Los resultados sugieren que el sistema de diagnóstico propuesto es esencial para mejorar el apoyo a la toma de decisiones diagnósticas no invasivas en la EP.Files
s41598-024-51600-y.pdf.pdf
Files
(1.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:5ad441f5236ead6743b186f7871afa52
|
1.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- اكتشاف مرض باركنسون بناءً على تحسين الميزات من خلال SVM المنتظم من المستوى الأول والشبكة العصبية العميقة
- Translated title (French)
- Détection de la maladie de Parkinson basée sur le raffinement des caractéristiques grâce à la MVS régularisée L1 et au réseau de neurones profonds
- Translated title (Spanish)
- Detección de la enfermedad de Parkinson basada en el refinamiento de las características a través de la SVM regularizada L1 y la red neuronal profunda
Identifiers
- Other
- https://openalex.org/W4390917993
- DOI
- 10.1038/s41598-024-51600-y
References
- https://openalex.org/W1598629621
- https://openalex.org/W1967689665
- https://openalex.org/W1972758118
- https://openalex.org/W1979263106
- https://openalex.org/W2007034295
- https://openalex.org/W2032655680
- https://openalex.org/W2034777022
- https://openalex.org/W2037760741
- https://openalex.org/W2049623605
- https://openalex.org/W2057250428
- https://openalex.org/W2061497758
- https://openalex.org/W2071749087
- https://openalex.org/W2075987325
- https://openalex.org/W2078464941
- https://openalex.org/W2084627109
- https://openalex.org/W2089744082
- https://openalex.org/W2100534701
- https://openalex.org/W2104953067
- https://openalex.org/W2145954079
- https://openalex.org/W2154029067
- https://openalex.org/W2156758690
- https://openalex.org/W2160815625
- https://openalex.org/W2166361453
- https://openalex.org/W2203920572
- https://openalex.org/W2240632480
- https://openalex.org/W2311080055
- https://openalex.org/W2344936922
- https://openalex.org/W2402137650
- https://openalex.org/W2404790171
- https://openalex.org/W2531733772
- https://openalex.org/W2544106530
- https://openalex.org/W2554665268
- https://openalex.org/W2561981131
- https://openalex.org/W2579520971
- https://openalex.org/W2590761639
- https://openalex.org/W2598766133
- https://openalex.org/W2746697180
- https://openalex.org/W2753916199
- https://openalex.org/W2765885286
- https://openalex.org/W2766269951
- https://openalex.org/W2774120135
- https://openalex.org/W2788130861
- https://openalex.org/W2808797111
- https://openalex.org/W2892911634
- https://openalex.org/W2943511409
- https://openalex.org/W2954368032
- https://openalex.org/W2979640390
- https://openalex.org/W2980090549
- https://openalex.org/W3022568704
- https://openalex.org/W3185895012
- https://openalex.org/W4210311545
- https://openalex.org/W4239510810
- https://openalex.org/W4307777874