A Hybrid Deep Spatiotemporal Attention‐Based Model for Parkinson's Disease Diagnosis Using Resting State <scp>EEG</scp> 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
ABSTRACT Parkinson's disease (PD), a severe and progressive neurological illness, affects millions of individuals worldwide. For effective treatment and management of PD, an accurate and early diagnosis is crucial. This study presents a deep learning‐based model for the diagnosis of PD using a resting state electroencephalogram (EEG) signal. The objective of the study is to develop an automated model that can extract complex hidden nonlinear features from EEG and demonstrate its generalizability on unseen data. The model is designed using a hybrid model, consisting of a convolutional neural network (CNN), bidirectional gated recurrent unit (Bi‐GRU), and attention mechanism. The proposed method is evaluated on three public datasets (UC San Diego, PRED‐CT, and University of Iowa [UI] dataset), with one dataset used for training and the other two for evaluation. The proposed model demonstrated remarkable performance, attaining high accuracy scores of 99.4%, 84%, and 73.2% using UC San Diego, PRED‐CT, and UI datasets, respectively. These results justify the effectiveness and robustness of the proposed model across diverse datasets, highlighting its potential for versatile applications in data analysis and prediction tasks. Our proposed hybrid spatiotemporal attention‐based model has been developed with 10‐fold cross‐validation (CV) for UC San Diego dataset and 10‐fold CV and leave‐one‐out cross‐validation (LOOCV) strategies for PRED‐CT and UI datasets. Our results indicate that the proposed PD detection system is accurate and robust. The developed prototype can be used for other neurodegenerative diseases such as Alzheimer's disease, Huntington's disease, and so forth.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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