PARKINSONâS DISEASE CLASSIFICATION USING HYBRID NAMIB SQUIRREL SEARCH WATER ALGORITHM-BASED DEEP LEARNING APPROACH
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».