Multi-Objective Optimization of Wavelet-Packet-Based Features in Pathological Diagnosis of Alzheimer Using Spontaneous Speech Signals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Alzheimer's disease (AD) ranks among the main types of neurodegenerative disorders. Patients suffering AD should tackle serious problems since their language skills malfunction. The impact of such disorders is reflected by reduced quality and feature variation of spontaneous speech signals in speech analysis. This paper aims at assessing the variations of some specific types of these energy- and entropy-based features within the frequency range of the speech signals. In the approach followed, the wavelet-packet coefficients are utilized to extract the energy and entropy measures at every spectral sub-band in six successive levels of decomposition. However, the decomposition process conducts a set of high-dimensional feature vectors that is a challenging task for feature selection. This study suggests the application of a Non-dominated Sorting Genetic Algorithm-II (NSGA-II) for enhancing a group of the sub-band indexes of a wavelet-packet for which the extracted features lead to the highest diagnosis rate of the grouping of Alzheimer's and healthy individuals. The technique proposed here showed that the best overall classification results for both optimized entropy feature vs. energy are more noticeable in discriminating patients with AD from healthy subjects. It is also confirmed the significant impact of multi-objective feature selection on performance of classification (i.e., disease diagnosis) and, its conformity to the disordered nature of the biological signals could help diagnose AD in an efficient manner.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle