PARKINSONâS DISEASE CLASSIFICATION USING HYBRID NAMIB SQUIRREL SEARCH WATER ALGORITHM-BASED DEEP LEARNING APPROACH
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
Parkinson's disease (PD) is a neurological disease throughout the globe, and it is the second leading reason for death and impairment. The overall cases of PD have nearly doubled in the past 15 years. It has been defined by the absence of dopamine cells in the brain. PD affects about 1% of individuals over the age of 65, while 90% of them are affected by speech disorders like articulation, phonation, fluency, and prosody. Hence, the earlier prediction is significant in providing a good treatment for PD. In this research, the Namib squirrel search water algorithm (NSSWA) is proposed for PD classification. The voice sample is used as input and it is preprocessed using a Gaussian filter. Furthermore, feature extraction is applicable for the extraction of significant features, and the feature selection is done using the NSSWA. Moreover, the NSSWA-trained convolutional neural network (CNN) fused long short-term memory (LSTM) (CNN-LSTM), called NSSWA_CNN-LSTM, is used in PD classification. In addition, the efficacy of the model is validated via accuracy, sensitivity, specificity, loss function, mean-square error, and root-mean-square error with optimal values of 0.931, 0.934, 0.929, 0.068, 0.097, and 0.312 obtained.
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 | 0,001 | 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