Some traditional and nontraditional

Some traditional and nontraditional features are analyzed for the parkinson disease classification. Various classifiers are used for this purpose. Parkinson voice has tremor in it and it is visible in jitter and shimmer values.Jitter values are higher in parkinson subjects than the healthy one. Same results are observed in case of shimmer.The harmonic to noise ratio values are high for the healthy one. The non-traditional measures show appreciable differentiation between the two classes. All the three features DFA, Spread1 and PPE have higher values for parkinson subjects than the healthy one. The tansig transfer function neural network
gives good accuracy and sensitivity than logsig and purelin neural networks, but the later two have 100% specificity. SVM gives the best results. In SVM sensitivity is 94.5%, specificity is 100% and overall accuracy is 95.9%. In this paper, the feature data set of healthy and parkinson subject was taken. The features were selected and classified with various classifiers. The SVM was able to classify with an accuracy of 95.9%. More advanced algorithms arebeing considered for better selection and classification of recorded samples.

ผลลัพธ์ (ไทย) 1:

ลักษณะบางลักษณะดั้งเดิม และ nontraditional การจัดโรคพาร์กิน คำนามภาษาต่าง ๆ ที่ใช้สำหรับวัตถุประสงค์นี้ พาร์กินเสียงสั่นที่มีใน และจะปรากฏใน jitter และ shimmer ค่า ค่ากระวนกระวายใจมีมากกว่าในเรื่องพาร์กินได้สุขภาพ พบผลลัพธ์เดียวกันในกรณีของการสั่นสะเทือน Harmonic ค่าอัตราส่วนสัญญาณรบกวนได้สูงสำหรับสุขภาพ มาตรการไม่ใช่แบบดั้งเดิมแสดงเห็นการสร้างความแตกต่างระหว่าง 2 ชนชั้น คุณลักษณะทั้งหมดสาม DFA, Spread1 และบริษัทพีพีอีมีค่าสูงสำหรับเรื่องพาร์กินมากกว่าจะมีสุขภาพดี ข่ายประสาทฟังก์ชันถ่ายโอน tansigให้ความไวและความแม่นยำที่ดีกว่า logsig และเครือข่ายประสาท purelin แต่ทั้งสองหลังมี specificity 100% SVM ให้ผลดีสุด SVM ไวเป็น 94.5%, specificity เป็น 100% และความแม่นยำโดยรวมเป็น 95.9% มีนำเรื่องในเอกสารนี้ ชุดข้อมูลคุณลักษณะของสุขภาพ และพาร์กิน ถูกเลือก และจัดคำนามภาษาต่าง ๆ การ SVM ได้จัดประเภทแม่นยำ 95.9% Arebeing อัลกอริทึมขั้นสูงถือเป็นตัวเลือกที่ดีและประเภทของตัวอย่างที่บันทึกไว้

ผลลัพธ์ (ไทย) 2:

คุณลักษณะบางอย่างแบบดั้งเดิมและมีการวิเคราะห์ในรูปแบบใหม่สำหรับการจำแนกโรคพาร์กิน แยกประเภทต่างๆที่ใช้เพื่อการนี้ เสียงพาร์กินสันมีการสั่นสะเทือนในมันและมันปรากฏอยู่ในกระวนกระวายใจและระยับค่า values.Jitter จะสูงขึ้นในวิชาพาร์กว่าสุขภาพที่ดีได้ ผลเดียวกันมีการตั้งข้อสังเกตในกรณีของฮาร์โมนิ shimmer.The เป็นค่าเสียงอัตราส่วนกำลังสูงสำหรับสุขภาพที่ดีได้ มาตรการที่ไม่ใช่แบบดั้งเดิมแสดงความแตกต่างที่เห็นได้ระหว่างสองชั้น ทั้งหมดสามคุณสมบัติ DFA, Spread1 และการป้องกันส่วนบุคคลจะมีค่าสูงขึ้นสำหรับวิชาพาร์กว่าสุขภาพที่ดีได้ ฟังก์ชั่นการถ่ายโอน tansig
เครือข่ายประสาทความถูกต้องให้ดีและมีความไวกว่าlogsig และเครือข่ายประสาท purelin แต่ต่อมาทั้งสองมีความจำเพาะ 100% SVM ให้ผลลัพธ์ที่ดีที่สุด ในความไว SVM เป็น 94.5% ความจำเพาะ 100% และความถูกต้องโดยรวมเป็น 95.9% ในบทความนี้ข้อมูลคุณลักษณะที่กำหนดของเรื่องมีสุขภาพดีและพาร์กินสันถูกนำตัว คุณสมบัติที่ได้รับการคัดเลือกและจำแนกแยกแยะต่างๆ SVM ก็สามารถที่จะจำแนกด้วยความถูกต้องของ 95.9% จาก ขั้นตอนวิธีการที่สูงขึ้น arebeing การพิจารณาสำหรับการเลือกที่ดีกว่าและการจัดหมวดหมู่ของกลุ่มตัวอย่างที่บันทึกไว้

ผลลัพธ์ (ไทย) 3:

บางแบบดั้งเดิมและใหม่ คุณสมบัติ ใช้สำหรับโรคพาร์กินสันการจำแนกประเภท คำต่างๆที่ใช้เพื่อวัตถุประสงค์นี้ พาร์กินสัน เสียงมีการสั่นในมันและมันสามารถมองเห็นได้ในการส่งระยับและค่านิยม โดยค่าจะสูงกว่าในพาร์กินสันกลุ่มตัวอย่างกว่าหนึ่งมีสุขภาพดี ผลลัพธ์เดียวกันจะพบในกรณีของระยับส่วนอัตราค่าฮาร์มอนิกเสียงสูงสำหรับการมีสุขภาพดี มาตรการที่ไม่ใช่แบบดั้งเดิมแสดงความแตกต่างระหว่างสองกลุ่มที่เห็นได้ . ทั้งสามคุณสมบัติ DFA spread1 , และสูงกว่าค่าความปลอดภัย พาร์คินสัน กลุ่มตัวอย่างกว่าหนึ่งมีสุขภาพดี ฟังก์ชันถ่ายโอน tansig โครงข่ายประสาทเทียม
ให้ความถูกต้องที่ดีและไว กว่า logsig purelin และเครือข่ายประสาทแต่ต่อมาทั้งสองได้ 100% ความจำเพาะ . SVM ให้ผลลัพธ์ที่ดีที่สุด SVM ในความไวร้อยละ 94.5 , ความจำเพาะ 100% และความถูกต้องโดยรวมเป็น 95.9 % ในกระดาษนี้ , คุณลักษณะชุดข้อมูลสุขภาพและโรคพากินสัน เรื่องถ่าย . คุณสมบัติการคัดเลือกและจำแนกตามคำต่าง ๆ SVM ได้แยกกับความถูกต้องของ 95.9 %ขั้นสูงขั้นตอนวิธีการพิจารณาสำหรับการเลือกที่ดีและเกิดการบันทึกตัวอย่าง