نقش هوش مصنوعی مبتنی بر گفتگو برای تشخیص زودهنگام بیماری پارکینسون

بیماری پارکینسون یک اختلال عصبی است که بر کنترل حرکتی تاثیر گذاشته و منجر به علائمی مانند لرزش و سفتی می گردد. تشخیص زودهنگام برای درمان موثر ضروری است اما روش های سنتی اغلب زمان بر و پرهزینه هستند. این مطالعه از تکنیک های هوش مصنوعی و یادگیری ماشین به همراه تجزیه و تحلیل صدا برای تشخیص علائم اولیه این بیماری استفاده کرده است. ما یک مدل ترکیبی را با ترکیب شبکه های عصبی کانولوشن، شبکه های عصبی بازگشتی، یادگیری چندگانه هسته، پرسپترون چند لایه بر روی مجموعه داده ای از ۸۱ صدای ضبط شده اعمال کرده ایم. ویژگی های آکوستیکی مانند ضرایب کپسترال فرکانس مل، لرزش و سوسو زدن مورد تجزیه و تحلیل قرار گرفته اند. این مدل به دقت ۹۱.۱۱ درصد یادآوری، ۹۲.۵ درصد دقت، ۸۹.۸۴ درصد امتیاز، ۹۱.۱۳ درصد اف یک و سطح زیر منحنی، ای یوسی، ۰.۹۱۲۵، دست یافته است. توضیحات افزایشی، شاپ لی، قابلیت توضیح داده ها را فراهم آورده و ویژگی های کلیدی موثر بر تشخیص پارکینسون را شناسایی و در نتیجه قابلیت تفسیر و اعتمادپذیری را در هوش مصنوعی افزایش داده است. علاوه بر این، یک سیستم امتیازدهی مبتنی بر احتمال ایجاد شده تا بیماران و پزشکان مبتلا به پارکینسون بتوانند پیشرفت بیماری را پیگیری کنند. این رویکرد مبتنی بر هوش مصنوعی، ابزاری غیرتهاجمی، مقرون به صرفه و سریع را برای تشخیص زودهنگام پارکینسون را ارائه داده تا درمان شخصی سازی شده را از طریق نشان گرهای زیستی صوتی تسهیل نماید.

کلیدواژه ها:

بیماری پارکینسون ، یادگیری عمیق ، نشان گرهای زیستی صوتی ، هوش مصنوعی