يصف هذا البروتوكول سير عمل هجين كمومي-كلاسيكي قابل للتكرار لتصنيف مرض باركنسون من تسجيلات الصوت البشري، بما في ذلك معالجة البيانات المسبقة، وتنفيذ الدوائر الكمومية، وتدريب النماذج، والتحقق المتقاطع للتكرار المستقل.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
بروتوكول هجين كمومي-كلاسيكي قابل للتكرار لتصنيف مرض باركنسون من تسجيلات الصوت البشري
في هذه المقالة
ملخص
الملخص
مرض باركنسون هو اضطراب تنكسي عصبي تقدمي تظل طرق الفحص المتاحة ومنخفضة التكلفة محدودة له. تحتوي تسجيلات الصوت ذات الحروف المتحركة المستمرة على مؤشرات صوتية قابلة للقياس مرتبطة باضطراب الصوت المرتبط بالأمراض والتي يمكن اكتسابها بدون معدات متخصصة. يصف هذا البروتوكول شبكة عصبية الالتفافية هجينة كمومية كلاسيكية مكونة من أربعة بتات (QI-HCNN) تجمع بين دائرة كمومية مميزة وطبقة تصنيف كلاسيكية ضحلة لتصنيف مرض باركنسون باستخدام ميزات صوتية صوتية مختزلة الأبعاد بشكل كبير. كما يقارن البروتوكول النهج المقترح بشبكة عصبية كلاسيكية متطابقة مع الأبعاد ومصنفات شجرية معززة بالتدرج مدربة على كل من مجموعات الميزات المخفضة والكاملة. باستخدام مجموعة بيانات متاحة للجمهور وغير المحددة تضم 195 تسجيلا صوتيا من 31 فردا، حقق QI-HCNN مساحة تحت منحنى تشغيل جهاز الاستقبال بمقدار 0.78 باستخدام التحقق المتقاطع الثلاثي الطبقات، مقارنة ب 0.87 للشبكة العصبية الكلاسيكية المتطابقة و0.94–0.95 للخطوط الأساسية المعززة بالتدرج المدربة على مجموعات الميزات المخفضة والكاملة، على التوالي. أظهر تحليل التآكل المتحكم به أن إحدى عمليتي التشابك في الدائرة لا يمكن أن تؤثر على الخرج المقاس حسب التصميم، بينما قامت عملية التشابك المتبقية بتقليل أداء التصنيف بدلا من تحسينها مقارنة بنسخة غير متشابكة. أظهر التحقق المتقاطع من قبل المرضى أيضا أن تقديرات الأداء تختلف بشكل كبير حسب الأفراد المخصصين لمجموعة الاختبار، مما يعكس حجم المجموعة المحدود. لذلك، يوفر هذا البروتوكول خط أساس كمومي-كلاسيكي محدد بالكامل وقابل للتكرار بشكل مستقل إلى جانب تقييم مدعوم بالبيانات لقوة وحدود تصميم الدائرة الحالي، مما يوفر أساسا منهجيا للتحقيقات المستقبلية بدلا من دعم ادعاءات الجاهزية التشخيصية.
المقدمة
مرض باركنسون هو اضطراب تنكسي عصبي مزمن ناتج عن فقدان تدريجي للخلايا العصبية الدوبامينية في المادة السوداء، ويؤثر على أكثر من 10 ملايين شخص حول العالم ويمثل عبئا صحيا عاما كبيراومتزايدا. ينتج المرض أعراضا حركية، بما في ذلك الرعشة، والتيبس، والبطء الحركي، وأعراضا غير حركية مثل اضطراب النوم والشعور بفقدان النوم. يعتمد التشخيص السريري بشكل أساسي على الفحص العصبي باستخدام مقاييس تصنيف حركية موحدة، مدعومة حيثما توفرت بتصوير ناقل الدوبامين؛ ومع ذلك، كلا النهجين يتطلبان خبرة متخصصة وبنية تحتية غير متاحة بشكل موحد، ويظل التقييم السريري في المراحلالمبكرة أمرا ذاتيا. ونظرا لعدم توفر علاج معدل للمرض حاليا، فإن الكشف المبكر ذو قيمة رئيسية لأنه يتيح إدارة الأعراض مبكرا والمراقبة الطولية. وقد دفعت هذه الحاجة إلى تطوير أساليب فحص منخفضة التكلفة وقابلة للتوسع وغير جراحية يمكن أن تكمل التقييم السريري بدلا من أن تحل محله.
يعد ضعف الصوت من أوائل التغيرات القابلة للقياس المرتبطة بمرض باركنسون وغالبا ما يسبق الأعراض الحركية الظاهرة3. يوفر النطق المستمر لحرف متحرك محمول إشارة محكمة يمكن استخراج منها ميزات صوتية، بما في ذلك التذبذب، واللمعان، ونسبة التوافقي إلى الضوضاء، وإنتروبيا كثافة فترة التكرار، وتحليل التذبذبات غير الاتجاهية. لقد ثبت مرارا أن هذه الميزات تحتوي على معلومات تشخيصية ذات صلة ويمكن الحصول عليها باستخدام معدات تسجيل بمستوى المستهلك 4,5. أصبحت مجموعة بيانات مرجعية متاحة للجمهور مشتقة من مثل هذه التسجيلات منصة اختبار معيارية لهذه المهمة، وقد أبلغت طرق التعلم الآلي الكلاسيكية المطبقة على مجموعة الميزات الكاملة، بما في ذلك آلات الدعم، والغابات العشوائية، والأشجار المعززة بالتدرج، عن قيم المساحة تحت منحنى الخصائص التي تعمل بالمستقبل تقترب من 0.996 و7 و8، مما يشير إلى أن مهمة التصنيف تقترب من الحل عندما يتم استخدام مجموعة الميزات الكاملة والاستراتيجيات المناسبة لمعالجة عدم توازن الفئة. برز التعلم الكمومي كنموذج حسابي بديل لمهام التصنيف الطبي الحيوي، حيث تستخدم الدوائر الكمومية المميزة التراكب والتشابك لتمثيل تفاعلات الميزات مع عدد قليل نسبيا من المعلمات القابلة للتدريب، ويمكن حساب تدرجات الدوائر تحليليا باستخدام قاعدة إزاحة المعلمات بدلا من التقريبات بفروقمحدودة 9. ومع ذلك، فإن العديد من الدراسات المنشورة التي تصف شبكات عصبية "كمومية" أو "مستوحاة من الكموم" للتطبيقات الطبية الحيوية تنفذ هياكل كلاسيكية تعتمد صيغ رياضية مستوحاة من الكم دون تنفيذ دائرة كمومية مميزة فعلية على محاكي أو أجهزة كمومية10. شملت التطورات الحديثة في اكتشاف مرض باركنسون أيضا هياكل الشبكة العصبية الالفافية الهجينةوالمحول 11، وطرق التعلم العميق المعتمدة على الانتباه لتصوير الرنين المغناطيسي (MRI)12، وشبكات عصبية الالتفافية خفيفة الوزن مصممة للتشخيص الحسابيالفعال 13، مما يوضح التوسع السريع لأساليب الذكاء الاصطناعي عبر عدة أنماط بيانات. بشكل أوسع، تم توسيع التشخيص غير الجراحي بمساعدة الحاسوب بنجاح ليشمل تطبيقات طبية حيوية أخرى، بما في ذلك خطوط التعلم الآلي الهجين وخطوط التعلم العميق للتصوير الطبي14. تظهر التقييمات المقارنة لهياكل التعلم العميق على نفس مجموعة بيانات الصوت العام الأداء القوي الممكن تحقيقه باستخدام النماذج الكلاسيكية التقليدية الكاملةالميزات 15.
تسلط هذه التطورات الضوء على حاجة منهجية محددة لنموذج شبكة عصبية الالتفافية هجينة كمومية-كلاسيكية قابلة لإعادة الإنتاج (QI-HCNN) (1) ينفذ دائرة كمومية حقيقية محددة بالكامل ومعلمية؛ (ii) يتم مقارنة المقارنة باستخدام ميزات إدخال متطابقة مقابل كل من شبكة عصبية كلاسيكية متطابقة معماريا وخط أساس كلاسيكي قوي؛ و(3) يتم تقييمها باستخدام بروتوكول يفحص بشكل صريح المصادر الرئيسية للتحيز في مجموعات البيانات الطبية الحيوية الصغيرة، بما في ذلك عدم توازن الطبقات، والارتباك الديموغرافي، وتسرب البيانات على مستوى المريض أثناء التحقق المتبادل.
الهدف العام من هذا البروتوكول هو توفير سير عمل QI-HCNN قابل للتكرار بالكامل لتصنيف مرض باركنسون باستخدام تسجيلات صوتية بشرية. يصف البروتوكول دائرة كمومية ذات أربع كيوبتات تستخدم ترميز الزوايا، وطبقتين تشابكتين مبنيتان على NOT محكم، وطبقة تغير قابلة للتدريب تحسنت باستخدام قاعدة إزاحة المعاملات، مقترنة برأس تصنيف كلاسيكي سطحي ويطبق على تمثيل مكون رئيسي مكون من أربعة مكونات لمجموعة بيانات تسجيل صوتي متاحة للجمهور. يحدد سير العمل، على مستوى كاف للتكرار المستقل، جميع إجراءات المعالجة المسبقة، وبناء الدائرة الكاملة، وتكوين التدريب الكلاسيكي، وإجراءات التقييم، بما في ذلك المقارنات مع شبكة عصبية كلاسيكية مطابقة للأبعاد، وخطوط أساس شجرة متطابقة مع الأبعاد وكاملة الميزات المعززة بتدرج الدوائر الكهربائية، واستئصال مكونات الدائرة المحكمة، والتحقق المتقاطع من قبل المرضى لتقييم الحساسية للمشاركين الذين تم إبعادهم، وإحصائيات صريحة اختبار الأهمية. بدلا من تقديم نتائج إيجابية فقط، صمم البروتوكول ليقدم تقارير شفافة عندما لا تحسن مكونات الدائرة الفردية الأداء بشكل ملموس، مما يوفر إطارا منهجيا قابلا للتكرار يمكن أن يوجه تطوير بنية QI-HCNN المستقبلية لمهام التصنيف الطبية الحيوية للمجموعات الصغيرة.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
يستخدم هذا البروتوكول مجموعة بيانات تسجيل صوتي متاحة للجمهور، غير محددة الهوية من طرف ثالث. لم يتم جمع أي بيانات جديدة من البشر من قبل المؤلفين، ولم تكن هناك حاجة لموافقة إضافية من لجنة مراجعة مؤسسية (IRB) لهذه الدراسة. تم جمع مجموعة البيانات الموصوفة في قسم مجموعة البيانات الخاصة بجمع البيانات والتعامل مع البيانات على مستوى المشاركين في الأصل بموجب الموافقة الأخلاقية المؤسسية من قبل Little وآخرين، ولا تحتوي على معلومات محددة مباشرة للمشاركين (فقط معرفات تسجيل مجهولة)، وهي متاحة للاستخدام البحثي للعامة. أكد، وفقا لسياسات مؤسستك، ما إذا كان التحليل الثانوي لهذه المجموعة المتاحة للجمهور يتطلب مراجعة أخلاقية. في مؤسسة المؤلفين، تم تحديد التحليل الثانوي بأثر رجعي لهذه المجموعة من البيانات المؤرشفة علنا بالكامل وغير المحددة بالكامل من مراجعة IRB الكاملة.
اكتساب مجموعات البيانات والتعامل مع البيانات على مستوى المشاركين
تم تحميل مجموعة بيانات تصنيف مرض باركنسون (مستودع تعلم الآلة UCI، معرف البيانات 174)، التي وصفها ليتل وآخرون في الأصل. احتوت مجموعة البيانات على 195 تسجيلا مستمرا للصوت بالحروف المتحركة /a/ من 31 شخصا (23 تم تشخيصهم بمرض باركنسون و8 مجموعة ضابطة صحية؛ النطاق العمري 46–85 سنة). نظرا لأن المستودع لا يوفر DOI معدل، فقد تم تسجيل تاريخ التنزيل الدقيق والإبلاغ عنه في جدول المواد. تم توفير مجموعة البيانات كملف قيم مفصولة بالفواصل (CSV) (parkinsons.csv). لم يكن هناك حاجة إلى فك ضغط أو تحويل ملف، وكان الملف يستورد مباشرة باستخدام دالة read_csv من مكتبة بانداس (انظر جدول المواد).
تم التحقق من أن مجموعة البيانات التي تم تنزيلها تحتوي على 195 صفا و24 عمودا تتكون من عمود معرف تسجيل واحد (بتنسيق: phon_R01_S 
الموضوع
_ تسجيل)، و22 عمودا مستمرا للميزات الصوتية (الجدول 1)، وعمود تصنيف ثنائي واحد (الحالة: 1 = مرض باركنسون؛ 0 = ضابط صحي). تم استخدام الجدول 1 كمرجع لجميع الميزات الصوتية وفئات الميزات في جميع أنحاء البروتوكول.
| الفئة | الميزات التمثيلية | الأهمية السريرية |
| التردد الأساسي | MDVP:Fo(Hz)، MDVP:Fhi(Hz)، MDVP:Flo(Hz) | التردد الأساسي المتوسط والقصوى والأدنى للصوت؛ تعكس استقرار اهتزاز الأحبال الصوتية. |
| التذبذب (اضطراب التردد) | MDVP:Jitter(٪), MDVP:Jitter(Abs), MDVP:RAP, MDVP:PPQ, اهتزاز:DDP | التغير من دورة إلى دورة في فترة النغمة، مما يعكس ضعف التحكم الحركي في الحنجرة. |
| الوميض (اضطراب السعة) | MDVP:Shimmer, MDVP:Shimer(dB)، Shimmer:APQ3، Shimmer:APQ5، MDVP:APQ، Shimmer:DDA | التغير من دورة إلى دورة في سعة الإشارة، يعكس صوتا متقطعا أو غير مستقر. |
| مقاييس الضوضاء | NHR، HNR | نسبة الضوضاء إلى المكونات التوافقية (النغمية) لإشارة الصوت. |
| الديناميكا غير الخطية / التدرج الكسري | RPDE، D2، DFA، spread1، spread2، PPE | مقاييس الديناميكيات الصوتية غير الخطية، والدورية، والترابطات الزمنية طويلة المدى المرتبطة باهتزاز الأحبال الصوتية. |
الجدول 1: فئات الميزات الصوتية المستخدمة في تصنيف مرض باركنسون. تم تجميع 22 ميزة صوتية مستخرجة من مجموعة بيانات تصنيف مرض باركنسون إلى خمس فئات ميزات: التردد الأساسي، الاهتزاز، الوميض، مقاييس الضوضاء، والديناميكيات غير الخطية. يتم سرد الميزات التمثيلية لكل فئة مع أهميتها السريرية المقابلة لها. MDVP، برنامج الصوت متعدد الأبعاد؛ RAP، الاضطراب النسبي المتوسط؛ PPQ، نسبة اضطراب فترة النغمة؛ APQ، معادلة اضطراب السعة؛ DDP، فرق الفروق في الدورات؛ DDA، متوسط الفرق المطلق في السعة؛ NHR، نسبة الضوضاء إلى التوافقيات؛ HNR، نسبة التوافقيات إلى الضوضاء؛ RPDE، إنتروبيا كثافة فترة التكرار؛ D2، بعد الترابط؛ تحليل التذبذبات غير المتوقعة؛ معدات الحماية الشخصية، وفوضى فترة التنويش.
تم استخراج معرف مشارك لكل تسجيل عن طريق تحليل السلسلة الفرعية التي تسبق النغمة النهائية في اسم التسجيل. على سبيل المثال، تم تعيين phon_R01_S01_1 و phon_R01_S01_2 للمشارك S01. تم استخدام معرفات المشاركين، بدلا من معرفات التسجيل، لاحقا في جميع إجراءات التحقق المجمعة أو "ترك مشارك واحد خارج" الموصوفة في قسم بروتوكول التقييم لأن التسجيلات التي تم الحصول عليها من نفس المشارك مرتبطة صوتيا. بعد الاستخراج، تم إنشاء جدول تردد للمعرفات وفحصها للتأكد من أن جميع التسجيلات ال195 تم تعيينها ل 31 مشاركا فريدا بالضبط، وأنه لم يبق أي تسجيل غير معين، وأن عدد التسجيلات لكل مشارك يطابق توثيق مجموعة البيانات المصدر.
تم حساب توزيع الفئة على مستوى التسجيل (147 تسجيلا لمرض باركنسون، 75.4٪؛ 48 تسجيلا صحيا للضابطة، 24.6٪) ومستوى المشاركين (23 من أصل 31 مشاركا، 74.2٪، تم تشخيصهم بمرض باركنسون). تم الإبلاغ عن كلا التوزيعين لأن عدم توازن الفئة على مستوى التسجيل ومستوى المشاركين ليسا متطابقين ويؤثران على التقييم اللاحق.
تم توثيق غياب مجموعات مرض باركنسون المطابقة للعمر أو الجنس والمجموعات الصحية في مجموعة البيانات المصدرية كقيد دراسي وتم نقله إلى النقاش لأن هذه الخاصية تعكس جمع البيانات الأصلي ولا يمكن تصحيحها من خلال المعالجة المسبقة لاحقا.
خط أنابيب المعالجة المسبقة
تم تنفيذ جميع إجراءات المعالجة المسبقة بشكل مستقل ضمن كل مجموعة تدريبية من إجراءات التحقق المتقاطع الموصوفة في قسم بروتوكول التقييم . تم تركيب كل من خطوات التطبيع الميني-ماكس وتحليل المكونات الرئيسية (PCA) باستخدام تقسيم التدريب لكل طية فقط. تم تطبيق التحويلات الملاءمة لاحقا على قسم الاختبار المثبت المقابل دون إعادة تركيب لمنع تسرب المعلومات من قسم الاختبار إلى معلمات المعالجة المسبقة.
تم تطبيع 22 ميزة صوتية خام في كل قسم تدريب باستخدام مقياس Min–Max بنطاق إخراج [0, π]. ثم تم تطبيق المقياس المناسب على كل من تقسيم التدريب والاختبار للطية المقابلة (المعادلة 1). تتبع المعادلة 1 صياغة التطبيع الدنيا والماكس القياسية وتم تعريفها للبروتوكول الحالي. تم إجراء تطبيع الحد الأدنى إلى الأقصى باستخدام فئة MinMaxScaler من scikit-learn (الإصدار 1.8.0) مع feature_range=(0, π)، copy=True، و clip=False.
(1)
تم تركيب نموذج PCA ب n_components = 4 باستخدام بيانات التدريب الموحدة فقط. ثم تم تطبيق تحويل PCA المناسب على كل من أقسام التدريب والاختبار. تم تسجيل نسبة التباين الكلي المفسرة بواسطة المكونات الرئيسية الأربعة المحتفظ بها لكل طية. عبر التحليلات المذكورة هنا، فسرت المكونات الرئيسية الأربعة المتبقية 81.5٪ من التباين الكلي (50.3٪، 16.3٪، 9.4٪، و5.5٪ على التوالي). تم تنفيذ PCA باستخدام فئة PCA مع n_components=4، svd_solver="الكامل"، تبييض=خاطئ، و random_state=42.
نظرا لأن PCA قد تولد درجات مكونات ذات قيم سالبة، تم تركيب مقياس Min–Max ثاني بنطاق إخراج [0, π] باستخدام قسم التدريب المحول إلى PCA. تم تطبيق جهاز التدرج المجهز لاحقا على كل من أقسام التدريب والاختبار. أي قيمة اختبار محول تقع خارج الفترة [0, π] كانت تقص إلى أقرب حد لأن المقياس تم تركيبه باستخدام قسم التدريب فقط. لم تكن هناك ميزات ذات تباين صفري في مجموعة البيانات. كان نطاق كل عرض عبر جميع تسجيلات 195 إيجابيا بحتا؛ لذلك، لم يظهر شرط القسمة على الصفر. تم تأكيد ذلك من خلال التحقق من أن المخرجات المحجمة لم تحتوي على NaN أو قيم لا نهائية.
تم تعيين المكونات الرئيسية الأربعة المعاد تطبيعها بشكل تسلسلي كزوايا دوران للكيوبتات 0 و1 و2 و3 خلال إجراء ترميز الزوايا الموضح في قسم بناء الدائرة الكمومية . تم تعيين المكون الرئيسي الأول للكيوبت 0، والثاني للكيوبت 1، والثالث للكيوبت 2، والرابع للكيوبت 3. هذا أكمل خط معالجة ما قبل المعالجة ونقل الميزات الكلاسيكية المعالجة إلى الدائرة الكمومية. بعد خطوة التعديل الثانية للحد الأدنى-الأقصى (Min–Max)، تم تأكيد أن جميع قيم الإخراج تقع ضمن الفترة [0, π]. قيم تقسيم الاختبار التي كانت خارج هذا النطاق بشكل هامشي بسبب تقريب الأعداد العائمة تم قصها إلى أقرب حد باستخدام دالة القطع من NumPy (الإصدار 2.4.4). ضمن هذا الإجراء أن جميع المدخلات الأربعة لطبقة ترميز الزاوية كانت زوايا دوران صالحة ضمن الفترة [0, π].
بناء الدوائر الكمومية
تم بناء دائرة الأربعة كيوبت باستخدام محاكي متجه الحالة المدرج في جدول المواد وتسلسل البوابات الموضح أدناه. تم استخدام ملف الترميز التكميلي 1 كتنفيذ كامل للدائرة التنفيذية، بما في ذلك جميع وظائف المساعدة لبناء البوابة وحساب تدرج إزاحة المعلمات. يوضح الشكل 1 سير العمل الكامل من معالجة تسجيل الصوت المسبق مرورا بطبقات الدائرة الأربع، ورأس المعالجة اللاحقة الكلاسيكي، والتصنيف النهائي.
الشكل 1. بنية النظام وسير عمل الدوائر الكمومية. سير العمل لتصنيف مرض باركنسون من تسجيلات صوتية بشرية. يظهر المخطط معالجة مسبقة لتسجيل الصوت، والتحقق المتقاطع الطبقي أو الجماعي من قبل المرضى، وتنفيذ الدوائر الكمومية ذات المعالم الأربعة كيوبت، وقياس باولي-زد بكيوبت واحد على الكيوبت 0، والمعالجة اللاحقة الكلاسيكية، والتصنيف النهائي الثنائي كمرض باركنسون أو التحكم الصحي. CNOT، بوابة غير متحكمة؛ تحليل PCA، تحليل المكونات الرئيسية؛ ReLU، وحدة خطية مصححة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تم تهيئة سجل مكون من أربعة كيوبت في حالة الأساس الحسابية ∣0000.
بالنسبة لطبقة ترميز الزاوية، تم تطبيق بوابة دوران Ry (xi) على الكيوبت i، حيث i = 0,1,2,3، باستخدام الزوايا الأربع التي ينتجها خط أنابيب المعالجة المسبقة (المعادلة 2). تصف المعادلة 2 إجراء ترميز الزاوية القياسي المستخدم في الدوائر الكمومية المعدلة، المتوافق مع إطار تعلم الدوائر الكمومية المعدلة من ميتاراي وآخرين، وقد تم تطبيقه هنا في تكوين الأربعة كيوبت المحدد للبروتوكول الحالي.
(2)
بالنسبة لطبقة التشابك الأولى، تم تطبيق سلسلة دائرية من بوابات NOT المتحكم بها بترتيب التحكم والهدف التالي: (0,1)، (1,2)، (2,3)، و(3,0).
بالنسبة لطبقة التغير، تم تهيئة المعلمات الثمانية القابلة للتدريب wإلى w 7 بواسطة أخذ عينات مستقلة من توزيع طبيعي بمتوسط 0 وانحراف معياري 0.3. تم تسجيل البذرة العشوائية المستخدمة في جدول المواد. تم تهيئة المعلمات الكمومية الثمانية المتغيرة باستخدام numpy.random.default_rng(42 + fold_index).normal(0, 0.3, size = 8)، حيث fold_index هو رقم الطي القائم على الصفر، مما يوفر تهيئة خاصة للطية ولكن قابلة للتكرار. لكل كيوبت i = 0,1,2, و 3، تم تطبيق بوابة Rz(wi)، تليها بوابة R y(wi+4) (المعادلة 3). تصف المعادلة 3 طبقة كمومية متغيرة (قابلة للتدريب) تتوافق مع إطار التعلم الكمومي العام للدوائر الكمومية المميزة التي قدمها ميتاراي وآخرون، وقد تم تجسيدها هنا باستخدام تسلسل البوابات المحددة والمعلمات المحددة للبروتوكول الحالي.
(3)
بالنسبة للطبقة الثانية من التشابك، تم تطبيق سلسلة مفتوحة من بوابات NOT المتحكم بها بترتيب التحكم والهدف التالي: (0,1)، (1,2)، و(2,3). لم تغلق هذه السلسلة إلى الكيوبت 0.
القيمة المتوقعة لعامل باولي- على الكيوبت 0 فقط، 
، تم حسابها باستخدام حاصل ضرب داخلي متجه حالة. استخدم تنفيذ الدائرة محاكي متجه حالة مخصص تم تنفيذه باستخدام عمليات مصفوفة رقمية قياسية (ملف الترميز التكميلي 1؛ qhcnn.py). تم استخدام Complex128 precision (numpy.complex128) في جميع أنحاء اللعبة. تم حساب القيم المتوقعة تحليليا من حاصل الضرب الداخلي لمتجه الحالة؛ لذلك، لم يتم إجراء أي أخذ عينات قائم على اللقطات. لم تكن هناك حاجة إلى إطار عمل للحوسبة الكمومية من طرف ثالث. لو تم استخدام محاكي يعتمد على العينة أو جهاز كمومي بدلا من محاكي متجه الحالة، لكان قد أجرى قياسات حسابية متكررة للكيوبت 0، وكانت ترددات البت الناتجة ستتحول إلى قيمة متوقعة (المعادلة 4). المعادلة 4 هي صيغة القيمة المتوقعة القياسية للميكانيكا الكمومية وطبقت هنا على صيغة باولي الملاحظة ذات الكيوبت الواحد المعرفة للبروتوكول الحالي. ونظرا لعدم إجراء أخذ عينات تعتمد على الطلقات، لم تكن هناك حاجة لتقليل أخطاء القياس. استخدم المحاكي فهرسة الكيوبت ذات النهاية الكبيرة، حيث يقابل الكيوبت 0 البت الأكثر أهمية في مؤشر متجه الحالة. تم أخذ هذا الاتفاق في الاعتبار صراحة عند بناء الملاحظة القابلة لباولي لضمان قياس القيمة المتوقعة الصحيحة.
(4)
تم حساب تدرج بالنسبة لكل من المعلمات الثمانية التغيرية باستخدام قاعدة إزاحة المعلمات. تم تقييم الدائرة مرتين لكل معلم خلال كل حساب تدرج، مرة عند θ + π/2 ومرة عند θ - π/2 (المعادلة 5). المعادلة 5 هي قاعدة إزاحة المعامل القياسية التي قدمها ميتاراي وآخرون 9 وطبقت هنا دون تعديل.
(5)
الطبقة الثانية من التشابك، كما هو محدد أعلاه، لم تطبق بوابة NOT محكومة مع كيوبت 0 كهدف. نظرا لأن بوابة NOT المتحكم بها تترك الحالة المخفضة لكيوبت التحكم دون تغيير، لم يكن بإمكان طبقة التشابك الثانية تغيير ، بغض النظر عن قيم المعلمات القابلة للتدريب. للسماح لطبقة التشابك الثانية بالتأثير على الخرج المقاس في بروتوكول معدل، يجب تضمين الكيوبت 0 كهدف، على سبيل المثال بإغلاق السلسلة ببوابة NOT محكومة إضافية (3,0)، أو يجب قياس كمية متعددة الكيوبت القابلة للرصد بدلا من قيمة توقع كيوبت واحدة. تم الاحتفاظ بطبقة التشابك الثانية المحددة أصلا في هذا البروتوكول، وتم الإبلاغ عن مساهمتها المقاسة صراحة في قسم النتائج بدلا من تصحيحها بصمت لأن هذا السلوك في الدائرة هو جزء من النتائج الحالية.
طبقة المعالجة اللاحقة الكلاسيكية
تكونت مرحلة المعالجة اللاحقة الكلاسيكية من شبكة عصبية متقدمة تم تنفيذها باستخدام العمليات الرقمية القياسية القائمة على المصفوفات المدرجة في جدول المواد. تم تعيين خرج الدائرة القياسية الواحدة، 
، إلى ثماني وحدات مخفية باستخدام طبقة متصلة بالكامل، تليها تفعيل وحدة خطية مصححة (ReLU). خلال التدريب، تم تطبيق طبقة الانسحاب باحتمال احتفاظ 0.8 (معدل الانسحاب = 0.2). ثم تم تعيين الوحدات الثمانية المخفية إلى وحدة إخراج واحدة باستخدام طبقة ثانية متصلة بالكامل، وتم تطبيق دالة تفعيل السيجمويد لتوليد احتمال الفئة النهائي، ŷ (المعادلة 6). تحدد المعادلة 6 البنية الكلاسيكية الخاصة للمعالجة بعد المعالجة المستخدمة في البروتوكول الحالي وتشمل العمليات الخطية القياسية، والعمليات الخطية المصححة (ReLU)، والعمليات السيجمويدية.
(6)
تم تهيئة مصفوفات وزن الطبقة الأولى والثانية عن طريق أخذ عينات مستقلة من توزيع طبيعي بمتوسط 0 وانحراف معياري 0.5، بينما تم تهيئة جميع مصطلحات التحيز إلى 0. تم استخدام نفس نسخة مولد الأرقام العشوائية والبذرة المستخدمة لتهيئة معلمات التغير الكمومي أيضا للطبقة الكلاسيكية لضمان قابلية تكرار التشغيل إلى التشغيل. تحديدا، تم تهيئة مصفوفات الوزن الكلاسيكية باستخدام numpy.random.default_rng(42 + fold_index).normal(0, 0.5, size=...)، بينما تم تهيئة جميع مصطلحات الانحياز إلى الصفر. تم إنشاء نسخة واحدة من مولد الأرقام العشوائية بذرة واحدة، مهيأة ب 42 + fold_index، في بداية كل عملية تحقق متقاطع، وأعيد استخدامها بشكل متسلسل لتهيئة المعلمات الكمومية، وتهيئة الوزن الكلاسيكي، والخلط الصغير الدفعي، وتوليد قناع الإسقاط، بدلا من استخدام تدفقات بذور مستقلة منفصلة لكل عملية.
خلال التدريب، تم تطبيق الdropout عن طريق توليد قناع ثنائي جديد تم أخذ عينات في كل تمريرة أمامية باستخدام نظام الانسحاب المقلوب، حيث تم تعديل الوحدات الباقية بمقدار 1/0.8. أثناء التحقق والاختبار، تم تعطيل الانقطاع تماما، وتم استخدام الشبكة الكاملة غير الموسعة للاستدلال.
احتوى نموذج QI-HCNN المدمج على 33 معاملة قابلة للتدريب: ثمانية معلمات تغير كمومي من الدائرة الكمومية و25 معلمة كلاسيكية. تكون المكون الكلاسيكي من ثمانية أوزان وثمانية تحيلات في الطبقة الأولى المتصلة بالكامل، بالإضافة إلى ثمانية أوزان وتحيز واحد في الطبقة الثانية المتصلة بالكامل. أبعاد موتر الوزن والانحياز كانت 
و 
. تم تنفيذ طبقة المعالجة اللاحقة الكلاسيكية بالكامل باستخدام عمليات مصفوفة رقمية قياسية دون إطار عمل إضافي للتعلم الآلي. تم إجراء جميع العمليات الحسابية الكلاسيكية باستخدام حساب float64 (دقة مزدوجة).
تدريب النماذج
تم دمج الدائرة الكمومية الموصوفة في قسم بناء الدائرة الكمومية وطبقة المعالجة اللاحقة الكلاسيكية الموصوفة في قسم طبقة المعالجة اللاحقة الكلاسيكية في نموذج واحد قابل للتدريب من طرف إلى طرف. تم تحسين جميع المعلمات القابلة للتدريب ال33 بشكل مشترك باستخدام محسن آدم بمعدل تعلم ابتدائي 0.01 وتناقص الوزن، الذي تم تنفيذه كعقوبة لغة ثانية ل ، يطبق فقط على مصفوفات الوزن الكلاسيكية. تم تنفيذ محسن آدم يدويا باستخدام عمليات مصفوفة عددية قياسية مع الإعدادات التالية: معدل التعلم = 0.01، β1 = 0.9، β2 = 0.999، ∈ = 1 × 10-8، وتناقص الوزن = 1 × 10-4، وتطبيق فقط على مصفوفات الوزن الكلاسيكية وليس على مصطلحات التحيز أو معلمات التغير الكمومي.
تم استخدام الإنتروبيا المتبادلة الثنائية كدالة فقدان. بالنسبة لإجراء موازنة الفئات بعد الانقسام الموضح في قسم بروتوكول التقييم، تم وزن مساهمة كل عينة تدريب في فقدان التوزيع العكسي لفئتها ضمن تقسيم التدريب للطية الحالية. بالنسبة للبروتوكول غير المتوازن، تم تخصيص أوزان عينات موحدة. تم حساب الإنتروبيا المتبادلة الثنائية كمتوسط الخسارة عبر جميع العينات ضمن كل دفعة صغيرة باستخدام الصياغة القياسية للانتروبيا الثنائية المتقاطعة.
تم تدريب النموذج لمدة 30 حقبة باستخدام دفعات صغيرة من 16 عينات. تم خلط عينات التدريب عشوائيا في بداية كل حقبة باستخدام numpy.random.default_rng(42 + fold_index).permutation(n) لتوليد ترتيب عشوائي للعينات. عندما لا يكون عدد عينات التدريب قابلا للقسمة بالتساوي على 16، يتم الاحتفاظ بالدفعة المصغرة الأخيرة ومعالجتها بحجمها الفعلي بدلا من التخلص منها.
تم تطبيق جدول معدل التعلم بالخطوات أثناء التدريب. تم ضرب معدل التعلم بمقدار 0.7 بعد كل 10 عصور مكتملة، وتحديدا في بداية العصرين 11 و21.
تم حساب التدرجات لثمانية معلمات تغير كمومية باستخدام قاعدة إزاحة المعلمات الموضحة في قسم بناء الدوائر الكمومية . تم حساب التدرجات للمعلمات الكلاسيكية ال 25 باستخدام التفاضل العكسي القياسي عبر الطبقة الكلاسيكية فقط. كان خرج الدائرة الكمومية، وتدرجات إزاحة المعاملات الخاصة به بدور الواجهة بين الدائرة الكمومية والطبقة الكلاسيكية. تم تحديث جميع المعلمات ال33 باستخدام نفس نسخة Adam Optimizer.
لم يتم استخدام التوقف المبكر القائم على التحقق. تم تدريب كل نموذج على جدول ثابت من 30 حقبة، وتم الإبلاغ عن أداء الاختبار-التقسيم الثابت بعد إكمال الحقبة النهائية. تم إعادة تجميع جميع معلمات النموذج (معلمات التغير الكمومي، ومصفوفات الوزن الكلاسيكية، ومصطلحات التحيز) بشكل مستقل في بداية كل طية تحقق متقاطع باستخدام البذرة العشوائية الخاصة بالطي (42 + fold_index). لم تكن المعاملات مشتركة بين الطيات أو المراحل الأساسية.
تم تسجيل البيئة الحاسوبية، بما في ذلك المعالج والذاكرة وإصدارات البرمجيات والوقت التقريبي للتدريب على ساعة الحائط لكل طية، في جدول المواد.
بروتوكول التقييم
تم تقييم أداء النموذج باستخدام إجراءات التحقق المتقاطع على مستوى التسجيل وعلى مستوى المشارك، إلى جانب مقارنات النموذج الأساسي، وتحليلات توازن الفئات، وتجارب استئصال الدوائر، واختبارات الدلالة الإحصائية، وتحليلات أهمية الميزات.
في التقييم الأولي، تم تقسيم 195 تسجيلا صوتيا إلى ثلاث طيات طبقية باستخدام بذرة عشوائية ثابتة مع الحفاظ على نسبة مرض باركنسون إلى السيطرة الصحية على مستوى التسجيل 75.4٪/24.6٪ داخل كل طية. تم تدريب النموذج الموصوف في الأقسام السابقة باستخدام طيين وتقييم على الطية المتبقية الممدودة، وتم تكرار هذا الإجراء حتى يخدم كل طية مرة واحدة كقسم اختبار. تم حساب الدقة، والدقة، والاسترجاع، ودرجة F1، والمساحة تحت منحنى خصائص تشغيل المستقبل (AUC–ROC) لكل طية وتم الإبلاغ عنها كمتوسط ± انحراف معياري عبر الثلاثة طيات. تم تنفيذ التحقق المتقاطع الثلاثي الطبقي الأولي باستخدام فئة StratifiedKFold مع n_splits=3، خلط=صحيح، و random_state=42.
تم توليد توقعات الفئات الثنائية بتطبيق عتبة احتمالية ثابتة مقدارها 0.50 على احتمالية الفئة المتوقعة، ŷ، الناتجة عن طبقة المعالجة اللاحقة الكلاسيكية. تم حساب الدقة والدقة والاسترجاع ودرجة F1 من هذه التنبؤات المحددة بالعتبة، بينما تم حساب AUC–ROC مباشرة من قيم الاحتمالات المستمرة دون تحديد العتبة. تم حساب الدقة، والاسترجاع، ودرجة F1 باستخدام دوال المقياس مع zero_division=0، مع تعيين قيمة 0.0 لأي مقياس غير معرف. لم تحدث أي حالة غير محددة كهذه خلال التجارب المبلغ عنها.
تم تقييم النماذج الأساسية باستخدام تقسيمات الطية المتطابقة وتمثيل الميزات المسبق المعالجة المكونة من أربعة مكونات متطابقة من إنتاج خط أنابيب المعالجة المسبقة. تم تدريب بيرسيبترون متعدد الطبقات الكلاسيكي يحتوي على طبقة مخفية واحدة من ثماني وحدات مفعلة ب ReLU، متطابق معماريا مع المكون الكلاسيكي للنموذج الهجين ولكن بدون الدائرة الكمومية، باستخدام محسن آدم مع عقوبة L2 مقدارها 1 × 10−4. كما تم تدريب مصنف شجرة معزز بالتدرج باستخدام نفس التمثيل المكون من أربعة مكونات مع 200 شجرة، وعمق شجرة أقصى 3، ومعدل تعلم 0.1، ووزن الفئة يساوي تردد الفئة العكسي داخل كل مجموعة تدريب. بالإضافة إلى ذلك، تم تدريب مصنف شجرة ثاني معزز بالتدرج باستخدام التمثيل الكامل المكون من 22 ميزة تم إنشاؤه بعد التطبيع الأولي للحد الأدنى-الأقصى، دون تطبيق PCA أو ترميز الميزات الكمومية. استخدم هذا النموذج 300 شجرة، وعمق شجرة أقصى 4، ومعدل تعلم 0.05، ونفس استراتيجية وزن الفئة العكسي للتدريب. تم تنفيذ خط الأساس الكلاسيكي متعدد الطبقات باستخدام MLPClassifier مع hidden_layer_sizes=(8,)، activation="relu"، solver="adam"، alpha=1 × 10⁻4، batch_size="auto"، learning_rate_init=0.001، max_iter=500، early_stopping=خاطئ، خلط=صحيح، و random_state=42. تم استخدام تهيئة الوزن الموحد الافتراضي للعبة غلوروت (زافيير) التي توفرها التنفيذ. تم تنفيذ خطوط الأساس الشجرية المعززة بالتدرج باستخدام XGBoost 3.3.0 مع الهدف = "ثنائي: لوجستيكي"، eval_metric = "فقدان لوغت"، tree_method = "تلقائي"، عينة فرعية = 1.0، colsample_bytree = 1.0، reg_alpha = 0، reg_lambda = 1، و random_state = 42.
لتقييم تأثير توازن الفئات بعد الانقسام، تم تكرار إجراء التحقق المتقاطع الأساسي لنموذج QI-HCNN مع تفعيل وزن العينة. تم حساب أوزان التوازن حصريا من تقسيم التدريب لكل طية بعد تقسيم القطار/الاختبار ولم يتم حسابها من قسم الاختبار المقابل الذي تم احتفاظه.
تم إجراء تجارب استئصال مكونات الدائرة عن طريق تكرار سير العمل الكامل للمعالجة المسبقة والتدريب والتقييم أربع مرات مع تعديل فقط طبقتي التشابك في الدائرة الكمومية. تكونت الأنواع الأربعة من الدوائر التالية: (1) الدائرة الكاملة التي تحتوي على كلتا طبقتي التشابك؛ (2) الدائرة التي أزيلت فيها الطبقة الأولى من التشابك وتم الاحتفاظ بالثانية؛ (3) الدائرة التي تحتفظ بها الطبقة الأولى من التشابك وتمت إزالة الثانية؛ و(4) الدائرة التي تمت إزالة فيها كلا طبقتي التشابك. تم الحفاظ على تقسيمات طيات متطابقة، وبذور عشوائية، وتكوينات تدريب عبر جميع التجارب الأربع بحيث يمكن عزو أي فروق أداء ملحوظة فقط إلى تكوين طبقة التشابك.
كتقييم للمتانة، تم إجراء التحقق المتقاطع بين المشاركين من خلال تقسيم 31 مشاركا، بدلا من 195 تسجيلا، إلى خمس مجموعات تحتوي كل منها على ستة إلى سبعة مشاركين. خلال كل تكرار، تم تدريب النموذج باستخدام تسجيلات من مشاركين في أربع مجموعات وتم تقييمه باستخدام تسجيلات المشاركين في المجموعة المتبقية، لضمان عدم مساهمة أي مشارك بتسجيلات في كل من تقسيمتي التدريب والاختبار لنفس الطي. تم الإبلاغ عن الدقة، والدقة، والاسترجاع، ودرجة F1، وAUC–ROC كمتوسط انحراف معياري ± عبر الطيات الخمسة المجمعة من المشاركين لنموذج QI-HCNN، والبيرسيبترون متعدد الطبقات الكلاسيكي، وخط الأساس المكون من أربعة ميزات معزز بتدرج. تم تنفيذ التحقق المتقاطع المجمع بين المشاركين باستخدام فئة GroupKFold مع n_splits=5، حيث كانت معرفات المشاركين تعمل كمتغير التجميع. نظرا لأن GroupKFold لا يخلط المجموعات، تم تعيين المشاركين وفقا للترتيب الحتمي الافتراضي للتنفيذ، مما أدى إلى طيات تحتوي على ستة أو سبعة مشاركين لكل منها.
تم تقييم الدلالة الإحصائية من خلال تطبيق اختبارات ويلكوكسون المزدوجة على قيم AUC–ROC لكل طية تم الحصول عليها للتقييم الأساسي والنماذج الأساسية. تم الإبلاغ عن قيم p الدقيقة وعدد الملاحظات المزدوجة المقابلة لأن القوة الإحصائية لهذا الاختبار محدودة عندما يتوفر عدد قليل فقط من الطيات. تم تحديد أربع مقارنات زوجية بين AUC–ROC مسبقا: (1) QI-HCNN مقابل البيرسبترون متعدد الطبقات الكلاسيكي؛ (2) QI-HCNN مقابل خط الأساس الشجرة المعززة بالتدرج المطابقة ل PCA؛ (3) البيرسيبترون متعدد الطبقات الكلاسيكي مقابل خط الأساس الشجرة المعززة بالتدرج المطابقة ل PCA؛ و(4) نموذج QI-HCNN غير المتوازن مقابل نموذج QI-HCNN بعد الانقسام. لم يتم تطبيق تصحيح المقارنة المتعددة لأن التحليلات كانت استكشافية وعدد الطيات المحدود قلل بشكل كبير من القوة الإحصائية.
تم إجراء تحليل أهمية الميزة باستخدام مصنف الشجرة المعزز بالتدرج المدرب على التمثيل الكامل المكون من 22 ميزة. تم استخراج درجات أهمية الميزات بناء على المكاسب وتصنيفها لجميع الميزات الصوتية الأصلية. وبشكل منفصل، تم تركيب PCA على مجموعة البيانات الكاملة لأغراض التقارير فقط ولم يستخدم أثناء تقييم النموذج. لكل ميزة صوتية أصلية، تم جمع الأحمال المطلقة عبر المكونات الرئيسية الأربعة المحفوظة، وتم ترتيب الميزات وفقا لهذه القيم. تم الإبلاغ عن كلا الطريقتين في التصنيف وتداخلهما. بالنسبة لتحليل أهمية الميزات القائم على الكسب، أنتج تنفيذ الشجرة المعززة بالتدرج قيم كسب فردية للنقطة العائمة، ولم تحدث أي تعادلات. بالنسبة لتصنيفات تحميل المكونات الرئيسية، تم حل الروابط في قيم التحميل المطلقة المجمعة وفقا لترتيب أعمدة الميزات الأصلي في مجموعة البيانات.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
جميع القيم الرقمية المذكورة في النص متوافقة ومطابقة لتلك المعروضة في الأشكال 2–8 والجداول 2–4. تم توليد كل شكل مباشرة من الكود المقدم في ملف الترميز التكميلي 1 بدلا من إعداده يدويا، مما يضمن الاتساق بين القيم الرقمية المبلغ عنها والبيانات المرسومة.
أداء التحقق المتقاطع الأساسي
تحت بروتوكول التدريب غير المتوازن، حقق نموذج QI-HCNN دقة 0.759 ± 0.007، ودقة 0.774 ± 0.029، واستدعاء 0.966 ± 0.048،...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
يحدد هذا البروتوكول بنية QI-HCNN قابلة لإعادة الإنتاج بالكامل لتصنيف مرض باركنسون من تسجيلات الصوت، حيث يتم وصف كل بوابة، واختيار تهيئة المعلمات، وخطوة المعالجة المسبقة، وإجراء التقييم بمستوى كاف للتنفيذ المستقل. يتم مقارنة الدائرة المقترحة باستخدام ميزات إدخال متطابقة وتقسيمات طي التحقق المتقاطعة مقابل خطوط أساس كلاسيكية متعددة الطبقات وأشجار معززة بالتدرج. يهدف هذا التصميم المرجعي، إلى جانب تضمين استئصال مكونات الدائرة المحسوب، وتقييم المتانة المجمع من قبل المرضى، واختبار الدلالة الإحص...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
تضارب المصالح:
يعلن المؤلفون أنه لا توجد مصالح مالية أو غير مالية متنافسة تتعلق بهذا العمل.
شكر وتقدير
لم يتم تمويل هذا العمل من قبل أي وكالة أو منظمة، سواء من الناحية الفنية ولا المالية. يشكر المؤلفون المسؤولين عن مستودع التعلم الآلي في جامعة كاليفورنيا في كاليفورنيا على توفير وصول عام إلى مجموعة بيانات تسجيل الصوت المستخدمة في هذه الدراسة.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| Adam optimizer | التنفيذ القياسي للتحسين العددي | تنفيذ مخصص؛ NumPy 2.4.4 | التحسين المشترك للمعايير الكمومية والكلاسيكية؛ تدريب النموذج |
| تنفيذ فقدان التقاطع الثنائي لـ cross-entropy | تنفيذ مخصص باستخدام NumPy | NumPy 2.4.4؛ يتم متوسط الفقدان (التقليل) عبر كل مجموعة صغيرة | دالة فقدان التدريب؛ تدريب النموذج |
| مصنف الشجرة المعزز بالمنحدر | مكتبة XGBoost مفتوحة المصدر لتعزيز المنحدر | XGBoost 3.3.0؛ objective="binary:logistic"; eval_metric="logloss"; tree_method="auto"; random_state=42 | المقاييس الأساسية الكلاسيكية المطابقة لـ PCA والميزات الكاملة؛ بروتوكول التقييم |
| مكتبة التعلم الآلي | مكتبة scikit-learn مفتوحة المصدر للتعلم الآلي | scikit-learn 1.8.0 | تحجيم الحد الأدنى والأقصى، تحليل المكون الرئيسي، التحقق المتقاطع الطبقي، التحقق المتقاطع المجمع للمشاركة، المقياس الأساسي لمدرك الطبقة المتعددة، ومعايير التقييم |
| مكتبة الحوسبة العددية | مكتبة NumPy مفتوحة المصدر للحوسبة العددية | NumPy 2.4.4 | عمليات المصفوفات الأساسية، محاكاة متجه الحالة، تهيئة المعلمات، وحساب التدرج اليدوي |
| مجموعة بيانات تصنيف مرض باركنسون | Little، McSharry، Roberts، Costello، وMoroz؛ موزعة من خلال مستودع UCI لتعلم الآلة | رقم مجموعة بيانات UCI 174؛ 195 تسجيل من 31 مشاركًا؛ تم الوصول إليها في 19 يونيو 2025 | مصدر مجموعة بيانات تسجيل الصوت المستمر؛ https://archive.ics.uci.edu/dataset/174 |
| مكتبة الحوسبة العلمية | مكتبة SciPy مفتوحة المصدر للحوسبة العلمية | SciPy 1.17.1 | اختبار الأهمية الإحصائية لاختبار Wilcoxon المرتبة الموقعة؛ بروتوكول التقييم |
| محاكي متجه الحالة | محاكي متجه حالة مخصص (ملف الترميز التكميلي 1؛ qhcnn.py) | تنفيذ NumPy خالص؛ الدقة complex128 (مزدوجة)؛ لا يلزم أي واجهة خلفية خارجية | تنفيذ الدائرة الكمومية المكونة من أربعة كوبيت؛ إنشاء الدائرة الكمومية |
| مكتبة البيانات الجدولية | مكتبة Pandas مفتوحة المصدر لتحليل البيانات | Pandas 3.0.2 | تحميل مجموعة البيانات، التفتيش، والتلاعب الجدول |
| بيئة الحوسبة على محطة العمل | محطة عمل CPU محلية (حاوية Linux مستضافة على السحابة) | CPU x86_64؛ Ubuntu Linux؛ Python 3؛ لم يتم استخدام أي GPU أو أجهزة كمومية؛ وقت تدريب تقريبي على مدار الساعة الفعلية يبلغ 30-60 ثانية لكل طية | بيئة الحوسبة المستخدمة لجميع التدريبات والتقييمات؛ محاكاة متجه الحالة المستندة إلى CPU؛ لا يلزم أي GPU أو أجهزة كمومية |
المراجع
- Rabie H, Akhloufi MA. A review of machine learning and deep learning for Parkinson's disease detection. Discov Artif Intell. 2025;5:24.
- Devi SVA, et al. Hybrid deep learning methods for enhancing Parkinson's disease early detection [conference presentation]. Presented at: 4th International Conference on Smart Applications, Data and Living (ICSADL); 2025; Bhimdatta, Nepal. IEEE. p. 1462-1469. Available from: https://doi.org/10.1109/ICSADL65848.2025.10933259.
- Little MA, et al. Exploiting nonlinear recurrence and fractal scaling properties for voice disorder detection. Biomed Eng Online. 2007;6:23.
- Costantini G, et al. Artificial intelligence-based voice assessment of patients with Parkinson's disease off and on treatment. Sensors (Basel). 2023;23(4):2293.
- Gunduz H. Deep learning-based Parkinson's disease classification using vocal feature sets. IEEE Access. 2019;7:115540-115551.
- Naeem I, et al. Voice biomarkers as prognostic indicators for Parkinson's disease using machine learning techniques. Sci Rep. 2025;15:12129.
- Ebrahimzadeh E, et al. Explainable machine learning for early detection of Parkinson's disease in aging populations using vocal biomarkers. Front Aging Neurosci. 2025;17:1672971.
- Alishah S. An explainable ensemble and deep learning framework for accurate and interpretable Parkinson's disease detection from voice biomarkers. Diagnostics (Basel). 2025;15(22):2892.
- Mitarai K, Negoro M, Kitagawa M, Fujii K. Quantum circuit learning. Phys Rev A. 2018;98(3):032309.
- Alissa M, et al. Parkinson's disease diagnosis using convolutional neural networks and figure-copying tasks. Neural Comput Appl. 2022;34(2):1433-1453.
- Kumari GRP, Ravi Kanth M, Kamal MV. Parkinson's disease early detection using hybrid attentive CNN-transformer model. Neural Comput Appl. 2025;37(32):26523-26543.
- Palakayala R, Kuppusamy P. AttentionLUNet: a hybrid model for Parkinson's disease detection using MRI brain. IEEE Access. 2024;12:91752-91769.
- Wang X, et al. A light-weight CNN model for efficient Parkinson's disease diagnostics [conference presentation]. Presented at: IEEE International Symposium on Computer-Based Medical Systems (CBMS); 2023; L'Aquila, Italy. IEEE. p. 616-621. Available from: https://doi.org/10.1109/CBMS58004.2023.00289.
- Haq I, et al. Lung nodules localization and report analysis from computerized tomography (CT) scan using a novel machine learning approach. Appl Sci. 2022;12(24):12614.
- Alzaidi A, et al. Comparative study of deep learning models for Parkinson's disease detection using the UCI vocal dataset. TBench. 2025;5(2):10021
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.