Parkinson Hastalığını İnsan Ses Kayıtlarından Sınıflandırmak İçin Tekrarlanabilir Kuantum-Klasik Hibrit Protokol

Özet

Bu protokol, insan sesi kayıtlarından Parkinson Hastalığı'nı sınıflandırmak için tekrarlanabilir kuantum-klasik hibrit iş akışını tanımlar; veri ön işleme, kuantum devre uygulaması, model eğitimi ve bağımsız çoğaltma için çapraz doğrulama dahildir.

Özet

Parkinson Hastalığı, erişilebilir ve düşük maliyetli tarama yöntemlerinin sınırlı olduğu ilerleyici bir nörodejeneratif hastalıktır. Sürekli ünlülü ses kayıtları, özel ekipman olmadan edinilebilen hastalıkla ilişkili disfoni ile ilişkili ölçülebilir akustik biyobelirteçler içerir. Bu protokol, Parkinson Hastalığı'nı boyutsal olarak küçültülmüş akustik ses özellikleri kullanarak sınıflandırmak için parametrizlenmiş bir kuantum devresini sığ klasik sınıflandırma katmanıyla birleştiren dört kuantum-klasik hibrit konvolüsyon sinir ağı (QI-HCNN) tanımlar. Protokol ayrıca önerilen yaklaşımı boyutsal eşleştirmeli klasik sinir ağı ve hem azaltılmış hem de tam özellik setlerinde eğitilen gradyanla güçlendirilmiş ağaç sınıflandırıcılarıyla karşılaştırıyor. 31 kişiden 195 ses kaydından oluşan kamuya açık ve kimliği yok edilmiş veri seti kullanarak, QI-HCNN, alıcı çalışma karakteristik eğrisinin altında üç kat katmanlı çapraz doğrulama ile 0.78 alan elde etti; karşılaştırıldığında, eşleştirilmiş klasik sinir ağı için 0.87 ve azaltılmış ve tam özellik setlerinde eğitilen gradyan artırılmış bazat çizgileri için ise 0.94–0.95 oranları vardı. Kontrollü bir ablasyon analizi, devredeki iki dolanıklık işleminden birinin ölçülen çıktıyı tasarım gereği etkileyemeyeceğini, kalan dolanıklık işleminin ise dolaşılmamış bir varyanta kıyasla sınıflandırma performansını azalttığını gösterdi. Hasta gruplarına yönelik çapraz doğrulama, performans tahminlerinin test setine atanan bireylere bağlı olarak önemli ölçüde değiştiğini ve sınırlı kohort büyüklüğünü yansıttığını gösterdi. Bu nedenle bu protokol, mevcut devre tasarımının güçlü ve sınırlamalarının veri destekli değerlendirmesiyle birlikte tamamen tanımlanmış ve bağımsız olarak tekrarlanabilir kuantum-klasik bir temel sağlar; böylece tanı hazır olma iddialarını desteklemek yerine gelecekteki araştırmalar için metodolojik bir temel sağlar.

Giriş

Parkinson Hastalığı, substantia nigra'da dopaminergik nöronların kademeli kaybı nedeniyle oluşan kronik bir nörodejeneratif bozukluktur; dünya genelinde 10 milyondan fazla insanı etkiler ve önemli ve büyüyen bir halk sağlığı^{yükü oluşturur. 1}. Hastalık, titreme, rijitlik ve bradikinezi gibi motor semptomları ile uyku bozulması ve anosmi gibi motor olmayan semptomları ortaya koyar. Klinik tanı, esas olarak standart motor derecelendirme ölçekleri kullanılarak nörolojik muayeneye dayanır ve mevcut olduğunda dopamin taşıyıcı görüntüleme ile desteklenir; Ancak, her iki yaklaşım da uzman uzmanlık ve altyapı gerektirir ve bu altyapı tamamen erişilebilir değildir ve erken evre klinik değerlendirme öznel^kalır. Şu anda hastalık değiştirici bir tedavi bulunmadığından, erken tespit değerlidir çünkü daha erken semptomatik yönetim ve uzunlamasına izlemeyi mümkün kılar. Bu ihtiyaç, klinik değerlendirmeyi yerine koyabilecek düşük maliyetli, ölçeklenebilir ve invaziv olmayan tarama yaklaşımlarının geliştirilmesini teşvik etmiştir.

Ses bozukluğu, Parkinson Hastalığı ile ilişkili en erken ölçülebilir değişikliklerden biridir ve sıklıkla açık motor semptomlardan önce^{gelir 3}. Tutulan bir ünlünün sürekli fonasyonu, titreme, şimlik, harmonik-gürültü oranı, tekrarlanma dönemi yoğunluk entropisi ve detrendli dalgalanma analizi gibi akustik özelliklerin çıkarılabileceği kontrollü bir sinyal sağlar. Bu özelliklerin tanısal olarak ilgili bilgileri içerdiği ve tüketici sınıfı kayıt^{ekipmanı kullanılarak} elde edilebildiği defalarca gösterilmiştir ^4,5. Bu tür kayıtlardan elde edilen kamuya açık bir kıyaslama veri seti bu görev için standart bir test alanı haline geldi ve destek vektör makineleri, rastgele ormanlar ve gradyan destekli ağaçlar dahil olmak üzere tüm özellik setine uygulanan klasik makine öğrenimi yöntemleri, alıcının altında çalışan karakteristik eğri değerlerinin 0.99 6,7,8'e yaklaştığını bildirdi , tam özellik seti ve sınıf dengesizliğini yönetmek için uygun stratejiler kullanıldığında sınıflandırma görevinin neredeyse çözüldüğünü ima eder. Kuantum makine öğrenimi, biyomedikal sınıflandırma görevleri için alternatif bir hesaplama paradigması olarak ortaya çıkmıştır; burada parametrizlenmiş kuantum devreleri, nispeten az öğretilebilir parametreyle özellik etkileşimlerini temsil etmek için süperpozisyon ve dolanıştırma kullanır ve devre gradyanları sonlu fark yaklaşımları yerine parametre-kaydırma kuralı kullanılarak analitik olarak hesaplanabilir⁹. Ancak, biyomedikal uygulamalar için "kuantum" veya "kuantum kaynaklı" sinir ağlarını tanımlayan birçok yayımlanmış çalışma, simülatör veya kuantum donanımında gerçek bir parametreli kuantum devresi çalıştırmadan kuantum esinli matematiksel biçimleri benimseyen tamamen klasik mimarileri uygular^. Parkinson Hastalığı tespitindeki son gelişmeler arasında hibrid konvolüsyon sinir ağı-transformatör mimarileri¹¹, manyetik rezonans görüntüleme (MRI)¹² için dikkat odaklı derin öğrenme yöntemleri ve hesaplama açısından verimli tanı için tasarlanmış hafif konvolüsyon sinir^{ağları yer almaktadır;} bu da yapay zeka yaklaşımlarının birden fazla veri modalitesinde hızla yayılmasını göstermektedir. Daha geniş anlamda, invaziv olmayan bilgisayar destekli tanı, hibrit makine öğrenimi ve tıbbi görüntüleme için derin öğrenme boru hatları dahil olmak üzere diğer biyomedikal uygulamalara başarıyla^{genişletilmiştir 14}. Aynı kamuya açık ses veri seti üzerinde derin öğrenme mimarilerinin karşılaştırmalı değerlendirmeleri, geleneksel tam özellikli klasik modeller kullanılarak elde edilebilecek güçlü performansı daha da^{göstermektedir 15}.

Bu gelişmeler, (i) gerçek, tam olarak tanımlanmış bir kuantum devresi uygulayan; (ii) hem mimari olarak uyumlu klasik sinir ağı hem de güçlü bir klasik temel çizgi ile aynı giriş özellikleri kullanılarak kıyaslanmıştır; ve (iii) çapraz doğrulama sırasında sınıf dengesizliği, demografik karıştırma ve hasta düzeyinde veri sızıntısı gibi küçük biyomedikal veri setlerindeki başlıca önyargı kaynaklarını açıkça inceleyen bir protokol kullanılarak değerlendirilir.

Bu protokolün genel amacı, insan sesi kayıtları kullanılarak Parkinson Hastalığı sınıflandırması için tamamen tekrarlanabilir bir QI-HCNN iş akışı sağlamaktır. Protokol, açı kodlama, iki kontrollü NOT tabanlı dolanıklık katmanı ve parametre-kaydırma kuralı kullanılarak optimize edilmiş eğitilebilir bir varyasyon katmanı kullanan, sığ klasik sınıflandırma başlığı ile desteklenen ve halka açık bir ses kayıt veri setinin dört bileşenli ana bileşen temsiline uygulanan dört kubitlik parametreli kuantum devresini tanımlar. İş akışı, bağımsız çoğaltma için yeterli seviyede, tüm ön işleme prosedürlerini, tam devre yapımını, klasik eğitim yapılandırmasını ve değerlendirme prosedürlerini belirtir; boyutsal eşleştirilmiş klasik sinir ağı ile karşılaştırmalar, boyut eşleştirmeli ve tam özellik gradyanı artırılmış ağaç temelleri, kontrollü devre-bileşen ablasyonları, hasta gruplarına göre kesin doğrulama ve açıkça istatistiksel doğrulama gibi konuları içerir Önem testi. Sadece olumlu sonuçlar sunmak yerine, protokol bireysel devre bileşenleri performansı ölçülebilir şekilde iyileştirmediğinde şeffaf bir şekilde rapor vermek üzere tasarlanmıştır; böylece küçük grup biyomedikal sınıflandırma görevleri için gelecekteki QI-HCNN mimari geliştirme süreçlerini bilgilendirebilecek tekrarlanabilir bir metodolojik çerçeve sağlar.

Protokol

Bu protokol, kamuya açık olan, kimliği silinmiş, üçüncü taraf ses kayıt veri seti kullanır. Yazarlar tarafından yeni bir insan denek veri toplanmadı ve bu çalışma için ek kurumsal inceleme kurulu (IRB) onayı gerekmedi. Veri Seti Edinimi ve Katılımcı Düzeyinde Veri İşleme alt bölümünde tanımlanan veri seti, başlangıçta Little ve ^ark.3 tarafından kurumsal etik onay kapsamında toplanmıştır, doğrudan tanımlayıcı katılımcı bilgileri içermez (yalnızca anonimleştirilmiş kayıt tanımlayıcıları) ve araştırma kullanımı için kamuya açıktır. Kurumsal politikalarınıza göre, bu kamuya açık veri setinin ikincil analizinin etik inceleme gerektirip gerektirmediğini doğrulayın. Yazarların kurumunda, bu tamamen kimliği silinmiş, kamuya açık arşivlenen veri setinin geriye dönük ikincil analizi, tam IRB incelemesinden muaf olduğu belirlendi.

Veri Seti Edinimi ve Katılımcı Düzeyinde Veri İşleme
Parkinson Hastalığı Sınıflandırma veri seti (UCI Makine Öğrenimi Deposu, Veri Seti Kimliği 174), ilk olarak Little ve ^ark.3 tarafından tanımlanmıştır ve indirildi. Veri seti, 31 kişiden 195 sürekli ünlülü /a/ fonasyon kaydını içeriyordu (23'ü Parkinson Hastalığı teşhisi konusunda ve 8 sağlıklı kontrol kişisi; yaş aralığı 46–85 yaş). Depo versiyonlu DOI sağlamadığı için, tam indirme tarihi kaydedilip Materyal Tablosu'nda bildirilmiştir. Veri seti, virgülle ayrılmış değerler (CSV) dosyası (parkinsons.csv) olarak sağlandı. Hiçbir dekompresyon veya dosya dönüştürme gerekmiyordu ve dosya doğrudan Pandas kütüphanesinden read_csv fonksiyonu kullanılarak içe aktarıldı ( bkz. Materyal Tablosu).

İndirilen veri setinin 195 satır ve 24 sütun içerdiği doğrulandı; bunların içinde bir kayıt tanımlayıcı sütunu ( format: phon_R01_S konu _ kayıt), 22 sürekli akustik özellik sütunu (Tablo 1) ve bir ikili sınıf-etiket sütunu (durum: 1 = Parkinson Hastalığı; 0 = sağlıklı kontrol) yer alıyor. Tablo 1, protokol boyunca tüm akustik özellikler ve özellik kategorileri için referans olarak kullanıldı.

Kategori	Temsilci Özellikler	Klinik Önem
Temel frekans	MDVP:Fo(Hz), MDVP:Fhi(Hz), MDVP:Flo(Hz)	Ortalama, maksimum ve minimum temel fonasyon frekansı; ses teli titreşiminin stabilitesini yansıtır.
Jitter (frekans bozulması)	MDVP:Jitter(%), MDVP:Jitter(Abs), MDVP:RAP, MDVP:PPQ, Jitter:DDP	Perde periyodunda döngüden döngüye değişim, larenks motor kontrolünün bozulduğunu yansıtır.
Şimmer (genlik perturbasyonu)	MDVP:Şimmer, MDVP:Şimmer(dB), Şimmer:APQ3, Şimmer:APQ5, MDVP:APQ, Şimmer:DDA	Sinyal genliğinde döngüden döngüye değişim, nefesli veya kararsız fonasyonu yansıtır.
Gürültü ölçümleri	NHR, HNR	Ses sinyalinin gürültü ile harmonik (tonal) bileşenlerinin oranı.
Doğrusal olmayan dinamikler / fraktal ölçeklendirme	RPDE, D2, DFA, spread1, spread2, PPE	Doğrusal olmayan vokal dinamiklerin, periyodikliğin ve ses teli titreşimiyle ilişkili uzun aralıklı zamansal korelasyonların ölçümleri.

Tablo 1: Parkinson Hastalığı sınıflandırması için kullanılan akustik özellik kategorileri. Parkinson Hastalığı Sınıflandırma veri setinden çıkarılan 22 akustik ses özelliği, temel frekans, jitter, şimlik, gürültü ölçümleri ve doğrusal olmayan dinamikler olmak üzere beş özellik kategorisine ayrılmıştır. Her kategori için temsilci özellikler ve ilgili klinik önemleri listelenmiştir. MDVP, Çok Boyutlu Ses Programı; RAP, göreceli ortalama perturbasyon; PPQ, perde dönemi bozma oranı; APQ, genlik pertürbüs oranı; DDP, dönem farkları farkı; DDA, ortalama mutlak genlik farkı; NHR, gürültü-harmonik oranı; HNR, harmonik-gürültü oranı; RPDE, tekrarlanma dönemi yoğunluk entropisi; D2, korelasyon boyutu; DFA, yönden düşmüş dalgalanma analizi; PPE, atış dönemi entropisi.

Her kayıt için bir katılımcı tanımlayıcısı, kayıt adındaki son alt çizgiden önceki alt diziyi ayrıştırarak çıkarıldı. Örneğin, phon_R01_S01_1 ve phon_R01_S01_2 katılımcı S01'e atandı. Aynı katılımcıdan elde edilen kayıtlar akustik olarak korelasyonlu olduğundan, Değerlendirme Protokolü alt bölümünde tanımlanan tüm gruplanmış veya bir katılımcı çıkarma doğrulama prosedürleri için kayıt tanımlayıcıları yerine katılımcı tanımlayıcıları kullanılmıştır. Çıkarımdan sonra, tanımlayıcıların frekans tablosu oluşturuldu ve incelenerek tüm 195 kaydın tam olarak 31 benzersiz katılımcıya atandığı, hiçbir kaydın atamamış kaldığı ve katılımcı başına kayıt sayısının kaynak veri seti dokümantasyonuyla eşleştiği doğrulandı.

Sınıf dağılımı hem kayıt düzeyinde (147 Parkinson Hastalığı kaydı, %75,4; 48 sağlıklı kontrol kaydı, %24,6) hem de katılımcı seviyesinde (31 katılımcıdan 23'ü, %74,2, Parkinson Hastalığı tanısı verildi) tablolandı. Her iki dağılım, kayıt düzeyindeki ve katılımcı düzeyindeki sınıf dengesizliğinin aynı olmaması ve sonraki değerlendirmeyi etkilemesinin nedeni olarak rapor edilmiştir.

Kaynak veri setinde yaş veya cinsiyet eşdeğerli Parkinson Hastalığı ve sağlıklı kontrol gruplarının olmaması, çalışma sınırlaması olarak belgelenmiş ve bu özelliğin orijinal veri toplamayı yansıtması ve aşağı akış ön işleme yoluyla düzeltilemeyeceği için Tartışmaya aktarılmıştır.

Ön İşlem Boru Hattı
Tüm ön işleme prosedürleri, Değerlendirme Protokolü alt bölümünde tanımlanan çapraz doğrulama prosedürünün her eğitim katında bağımsız olarak gerçekleştirildi. Hem Min–Max normalizasyon adımları hem de ana bileşen analizi (PCA), her katın yalnızca eğitim bölümü kullanılarak uyarlandı. Uydurulan dönüşümler, test bölümünden ön işleme parametrelerine bilgi sızmasını önlemek için yeniden uyum yapılmadan ilgili tutulan test bölümüne uygulandı.

Her eğitim bölümündeki 22 ham akustik özellik, [0, π] çıkış aralığına sahip Min–Max ölçekleyici kullanılarak normalleştirildi. Uyumlu ölçekleyici, ilgili katlamanın hem eğitim hem de test bölümlerine uygulandı (Denklem 1). Denklem 1 , standart Min–Max normalizasyon formülasyonunu takip eder ve mevcut protokol için tanımlanmıştır. Min–Max normalizasyonu, scikit-learn (sürüm 1.8.0) tarafından alınan MinMaxScaler sınıfı kullanılarak feature_range=(0, π), copy=True ve clip=False ile gerçekleştirildi.

(1)

n_components = 4 olan bir PCA modeli, yalnızca normalleştirilmiş eğitim verileri kullanılarak uyduruldu. Uydurulan PCA dönüşümü daha sonra hem eğitim hem de test bölümlerine uygulandı. Dört korunan ana bileşenle açıklanan toplam varyans oranı her katlama için kaydedildi. Burada bildirilen analizler boyunca, korunan dört ana bileşen toplam varyansın %81,5'ini açıkladı (sırasıyla %50,3, %16,3, %9,4 ve %5,5). PCA, PCA sınıfı kullanılarak n_components=4, svd_solver="full", whiten=False ve random_state=42 ile gerçekleştirildi.

PCA negatif değerli bileşen puanları üretebileceğinden, PCA'ya dönüştürülmüş eğitim bölümü kullanılarak [0, π] çıktı aralığına sahip ikinci bir Min–Max ölçekleyici takıldı. Monte edilmiş ölçekleyici daha sonra hem eğitim hem de test bölümlerine uygulandı. [0, π] aralığının dışında kalan herhangi bir dönüştürülmüş test bölümü değeri, ölçekleyici yalnızca eğitim bölümü kullanılarak uyarlandığı için en yakın sınıra kırpılmıştı. Veri setinde sıfır varyans özellikleri bulunmamaktadır. Tüm 195 kayıtta her uzun metrajın aralığı tamamen pozitifti; bu nedenle, sıfıra bölünme durumu ortaya çıkmadı. Bu, ölçeklenmiş çıktının ne NaN ne de sonsuz değerler içermediği doğrulanarak doğrulandı.

Yeniden normalize edilen dört ana bileşen, Kuantum Devresi Yapısı alt bölümünde açıklanan açı kodlama prosedürü sırasında 0, 1, 2 ve 3 kubitleri için ardışık olarak döndürülmüştür. İlk ana bileşen 0 kubitine, ikincisi 1 kubitine, üçüncü 2 kubite ve dördüncü 3 kubitine atandı. Bu, ön işleme boru hattını tamamladı ve işlenen klasik özellikleri kuantum devresine aktardı. İkinci Min–Max ölçekleme adımından sonra, tüm çıktı değerleri [0, π] aralığında olduğu doğrulandı. Kayan noktalı yuvarlama nedeniyle bu aralığın dışına düşen test bölümleme değerleri, NumPy (sürüm 2.4.4) klop fonksiyonu kullanılarak en yakın sınıra kırpılmıştı. Bu prosedür, açı kodlama katmanına gelen dört girişin tamamının [0, π] aralığında geçerli dönüş açıları olmasını sağladı.

Kuantum Devre Yapısı
Dört kubitlik devre, Malzemeler Tablosu'nda listelenen durumvektör simülatörü ve aşağıda açıklanan kapı dizisi kullanılarak inşa edilmiştir. Ek Kodlama Dosyası 1 , kapı inşası ve parametre kaydırma gradyanı hesaplaması için tüm yardımcı fonksiyonları içeren tam yürütülebilir devre uygulaması olarak kullanıldı. Şekil 1 , ses kaydı ön işlemesinden dört devre katmanı, klasik post işlem başlığı ve nihai sınıflandırma boyunca tüm iş akışını göstermektedir.

Şekil 1. Sistem mimarisi ve kuantum devre iş akışı. İnsan sesi kayıtlarından Parkinson Hastalığı sınıflandırması için iş akışı. Diyagram, ses kaydı ön işlemesini, katmanlı veya hasta gruplanmış çapraz doğrulamayı, dört kubitli parametreli kuantum devre yürütmesini, kubit 0 üzerinde tek kubitli Pauli-Z ölçümü, klasik son işlem ve nihai ikili sınıflandırmayı Parkinson Hastalığı veya sağlıklı kontrol olarak gösterir. CNOT, kontrollü NOT kapısı; PCA, ana bileşen analizi; ReLU, doğrultu doğrusal birim. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Hesaplama baz durumunda ∣0000 olan bir dört kubitlik kayıt başlatıldı.

Açı kodlama katmanı için, ön işleme boru hattının dört açısı kullanılarak i = 0,1,2,3 olan kubit i'ye R_y (x_i) dönüş kapısı uygulanmıştır (Denklem 2). Denklem 2, parametreli kuantum devrelerinde kullanılan standart açı kodlama prosedürünü tanımlar; bu, Mitarai ve ^ark.9'un parametreli kuantum devre öğrenme çerçevesiyle uyumludur ve burada mevcut protokol için tanımlanan özel dört kubitlik konfigürasyonda uygulanmıştır.

(2)

İlk dolanıklık katmanı için, aşağıdaki kontrol-hedef sırasında dairesel bir kontrol NOT kapı zinciri uygulandı: (0,1), (1,2), (2,3) ve (3,0).

Varyasyonel katman için, w _0'dan w_7'ye kadar sekiz öğretilebilir parametre, ortalama 0 ve standart sapma 0.3 olan normal dağılımdan bağımsız örnekleme ile başlatıldı. Kullanılan rastgele tohum Materyaller Tablosu'na kaydedilmiştir. Sekiz varyasyonel kuantum parametresi numpy.random.default_rng(42 + fold_index).normal(0, 0.3, boyut = 8) kullanılarak başlatıldı; burada fold_index sıfır tabanlı katlama sayısıdır ve böylece katlanmaya özgü ancak tekrarlanabilir başlangıltılar sağlandı. Her i = 0,1,2 ve 3 kubitleri için bir R_z(w_i) kapısı uygulandı, ardından bir R_y(w_i+4) kapısı (Denklem 3). Denklem 3, Mitarai ve ^ark.9 tarafından tanıtılan genel parametreli kuantum devre öğrenme çerçevesiyle tutarlı varyasyonel (eğitilebilir) bir kuantum katmanını tanımlar ve burada mevcut protokol için tanımlanan özel kapı dizisi ve parametreleştirme kullanılarak oluşturulmuştur.

(3)

İkinci dolanıklık katmanı için, aşağıdaki kontrol-hedef sırasıyla açık bir kontrol NOT kapı zinciri uygulandı: (0,1), (1,2) ve (2,3). Bu zincir tekrar 0 kubitine kapatılmadı.

Pauli- operatörünün yalnızca 0 kubitteki beklenti değeri, , bir durumvektör iç çarpımı kullanılarak hesaplandı. Devre yürütme, standart sayısal dizi işlemleriyle (Ek Kodlama Dosyası 1; qhcnn.py) uygulanan özel bir durumvektör simülatörü kullanırdı. Complex128 hassasiyeti (numpy.complex128) her zaman kullanıldı. Bekleme değerleri, durumvektör iç çarpımından analitik olarak hesaplandı; bu nedenle, atış tabanlı örnekleme yapılmadı. Üçüncü taraf kuantum hesaplama çerçevesine ihtiyaç yoktu. Eğer durumvektör simülatörü yerine örnekleme tabanlı bir simülatör veya kuantum cihazı kullanılsaydı, kubit 0'ın tekrar tekrar hesaplama temelli ölçümleri yapılır ve ortaya çıkan bit frekansları bir bekleme değerine dönüştürülürdü (Denklem 4). Denklem 4 , standart kuantum-mekanik beklenti-değer formülüdür ve burada mevcut protokol için tanımlanan tek kubitli Pauli-observable formülüne uygulanmıştır. Enjeksiyon tabanlı örnekleme yapılmadığı için ölçüm hatası azaltımı gerekmemiştir. Simülatör büyük endian kubit indekslemesi kullandı ve kubit 0, durumvektör indeksinin en anlamlı bitine karşılık geliyordu. Bu konvansiyon, doğru beklenti değerinin ölçülmesini sağlamak için Pauli-observable oluşturulurken açıkça hesaba alınmıştır.

(4)

Sekiz varyasyon parametrinin her birine göre gradyanı parametre-kaydırma kuralı kullanılarak hesaplandı. Devre, her gradyan hesaplamasında her parametre için iki kez değerlendirildi; bir kez θ + π/2 ve bir kez θ - π/2 (Denklem 5). Denklem 5 , Mitarai ve ^ark.9 tarafından tanıtılan standart parametre-kaydırma kuralıdır ve burada değişiklik yapılmadan uygulanmıştır.

(5)

Yukarıda belirtildiği gibi, ikinci dolanıklık tabakası, hedefi 0 olan kontrol edilen NOT kapısını hiç uygulamamıştır. Kontrol edilen NOT kapısı, kontrol kubitinin azaltılmış durumunu değiştirmeden bıraktığı için, ikinci dolanıklık katmanı, eğitilebilir parametre değerleri ne olursa olsun değişemez . İkinci dolanıklık katmanının ölçülen çıktıyı değiştirilmiş bir protokolde etkilemesine izin vermek için, örneğin zinciri ek (3,0) kontrollü NOT kapısıyla kapatarak kubit 0'ın hedef olarak dahil edilmesi gerekir veya tek bir kubitlik bekleme değeri yerine çoklu kubitin gözlemlenebilir bir ölçülmesi gerekir. Başlangıçta belirtilen ikinci dolanıklık katmanı bu protokolde korundu ve ölçülen katkısı, sessizce düzeltilmek yerine Sonuçlar bölümünde açıkça bildirildi; çünkü bu devre davranışı mevcut bulguların bir parçasıdır.

Klasik Post-İşleme Katmanı
Klasik post-işleme aşaması, Materyaller Tablosu'nda listelenen standart dizi tabanlı sayısal işlemler kullanılarak uygulanan ileriye doğru besleme sinir ağından oluşuyordu. Tek skaler devre çıkışı, tam bağlı bir katman kullanılarak sekiz gizli birime eşleniyor ve ardından doğrultu doğrusal birim (ReLU) aktivasyonu yapılıyordu. Eğitim sırasında, bırakma olasılığı 0.8 (bırakma oranı = 0.2) olan bir bırakma katmanı uygulandı. Sekiz gizli birim, ikinci tam bağlı katman kullanılarak tek bir çıkış birimine eşlendi ve son sınıf olasılığı olan ŷ (Denklem 6) oluşturulmak için sigmoid aktivasyon fonksiyonu uygulandı. Denklem 6 , mevcut protokolde kullanılan özel klasik post-işlem mimarisini tanımlar ve standart doğrusal, doğrulayıcı doğrusal birim (ReLU) ve sigmoid işlemleri içerir.

(6)

Birinci ve ikinci katman ağırlık matrisleri, ortalama 0 ve standart sapma 0.5 olan normal dağılımdan bağımsız örneklemle başlatıldı; tüm yanlılık terimleri ise 0'a başlandı. Kuantum varyasyon parametrelerinin başlatılması için kullanılan aynı rastgele sayı üreteci örneği ve tohum, klasik katman için de kullanıldı; böylece koşudan koşmaya tekrarlanabilirlik sağlandı. Özellikle, klasik ağırlık matrisleri numpy.random.default_rng(42 + fold_index).normal(0, 0.5, size=...) kullanılarak başlatılmıştır, oysa tüm önyargılı terimler sıfıra başlatılmıştır. Her çapraz doğrulama katlamasının başında 42 + fold_index ile başlatılan tek bir tohumlu rastgele sayı üreticisi örneği oluşturuldu ve her süreç için ayrı bağımsız tohum akışları kullanılmak yerine, kuantum parametre başlatma, klasik ağırlık başlangıltı, mini parti karıştırma ve dropout maskesi üretimi için ardışık olarak yeniden kullanıldı.

Eğitim sırasında, ters-dropout konvansiyonu kullanılarak her ileri geçişte yeni örneklenmiş ikili maske oluşturularak uygulandı; bu yöntemde hayatta kalan birimler 1/0.8 ölçeklendirildi. Doğrulama ve test sırasında, dropout tamamen devre dışı bırakıldı ve tam, ölçeklenmemiş ağ çıkarım için kullanıldı.

Birleşik QI-HCNN modeli, 33 eğitilebilir parametre içeriyordu: kuantum devresinden sekiz kuantum varyasyon parametresi ve 25 klasik parametre. Klasik bileşen, ilk tam bağlı katmanda sekiz ağırlık ve sekiz önyargıdan oluşuyordu; ikinci tam bağlı katmanda ise sekiz ağırlık ve bir önyargı vardı. Ağırlık ve önyargı tensör boyutları ve idi. Klasik post işlem katmanı, ek bir makine öğrenimi çerçevesi olmadan tamamen standart sayısal dizi işlemleriyle uygulandı. Tüm klasik hesaplamalar float64 (çift hassasiyet) aritmetik kullanılarak gerçekleştirilmiştir.

Model Eğitimi
Kuantum Devre İnşası alt bölümünde tanımlanan kuantum devresi ve Klasik Post-İşleme Katmanı alt bölümünde tanımlanan klasik post-işlem katmanı, uçtan uca tek bir aktarılabilir modelde birleştirildi. Tüm 33 eğitilebilir parametre, Adam optimizatörü kullanılarak ortak optimize edildi; başlangıç öğrenme oranı 0.01 ve ağırlık kaybı ile yalnızca klasik ağırlık matrislerine uygulanan L2 cezası olarak uygulandı. Adam optimizatoru, standart sayısal dizi işlemleriyle manuel olarak uygulanmıştır; aşağıdaki ayarlarda şunlar vardır: öğrenme hızı = 0.01, β₁ = 0.9, β₂ = 0.999, ∈ = 1 × ^10-8 ve ağırlık azalması = 1 × ^10-4; yalnızca klasik ağırlık matrislerine uygulanmıştır, yanlılık terimleri veya kuantum varyasyon parametrelerine uygulanmamıştır.

Kayıp fonksiyonu olarak ikili çapraz entropi kullanıldı. Değerlendirme Protokolü alt bölümünde tanımlanan bölünme sonrası sınıf dengeleme prosedüründe, her eğitim örneğinin kayıp katkısı, mevcut katlama bölümündeki sınıfın tersi frekansıyla ağırlıklandırıldı. Dengesiz protokol için uniform örnek ağırlıkları atandı. İkili çapraz entropi, standart ikili çapraz entropi formülasyonu kullanılarak her mini partideki tüm örneklerde ortalama kayıp olarak hesaplandı.

Model, 16 örnekten oluşan mini partilerle 30 dönem boyunca eğitildi. Eğitim örnekleri her dönemin başında rastgele bir örneklem sırası oluşturmak için numpy.random.default_rng(42 + fold_index).permutation(n) kullanılarak rastgele karıştırıldı. Eğitim örneklerinin sayısı 16'ya eşit bölünmediğinde, son küçük mini parti tutulup gerçek boyutunda işlendi, atılmadı.

Eğitim sırasında adımlı öğrenme hızı programı uygulandı. Öğrenme oranı, özellikle 11. ve 21. dönemlerin başında, tamamlanan her 10 dönemden sonra 0,7 ile çarpıldı.

Sekiz kuantum varyasyonel parametrenin gradyanları, Kuantum Devre İnşası alt bölümünde açıklanan parametre-kaydırma kuralı kullanılarak hesaplandı. 25 klasik parametre için gradyanlar, yalnızca klasik katman üzerinden standart ters mod farklılaştırma kullanılarak hesaplandı. Kuantum devre çıkışı, , ve onun parametre kaydırma gradyanları, kuantum devresi ile klasik katman arasında arayüz olarak hizmet vermiştir. Tüm 33 parametre aynı Adam optimizer örneği kullanılarak güncellendi.

Doğrulama temelli erken durdurma kullanılmadı. Her model sabit 30 dönemlik takvim için eğitildi ve son dönem tamamlandıktan sonra test bölümleme performansı raporlandı. Tüm model parametreleri (kuantum varyasyon parametreleri, klasik ağırlık matrisleri ve yanlılık terimleri) her çapraz doğrulama katının başında katlanmaya özgü rastgele tohum (42 + fold_index) kullanılarak bağımsız olarak yeniden başlatıldı. Parametreler katlanmalar veya temel koşular arasında paylaşılmadı.

İşlemci, bellek, yazılım sürümleri ve yaklaşık duvar saati eğitim süresi dahil olmak üzere hesaplama ortamı, Materyaller Tablosu'na kaydedildi.

Değerlendirme Protokolü
Model performansı, hem kayıt düzeyinde hem de katılımcı düzeyinde çapraz doğrulama prosedürleri ile temel model karşılaştırmaları, sınıf dengeleme analizleri, devre ablasyon deneyleri, istatistiksel anlamlılık testleri ve özellik önemi analizleriyle değerlendirildi.

Birincil değerlendirme için, 195 ses kaydı, sabit rastgele tohum kullanılarak üç tabakalı katlamaya ayrıldı ve her katlamada kayıt düzeyinde Parkinson Hastalığı/sağlıklı kontrol oranı %75,4/%24,6 olarak korundu. Önceki bölümlerde açıklanan model iki katlama kullanılarak eğitildi ve kalan tutulan katlama üzerinde değerlendirildi; bu prosedür, her katlama test bölümü olarak bir kez hizmet edene kadar tekrarlandı. Her katlama için doğruluk, hassasiyet, hatırlama, F1-puanı ve alıcı çalışma karakteristik eğrisinin (AUC–ROC) altındaki alan hesaplandı ve üç katlama boyunca ortalama ± standart sapma olarak raporlandı. Birincil üç kat katmanlı çapraz doğrulama, StratifiedKFold sınıfı kullanılarak n_splits=3, shuffle=True ve random_state=42 ile uygulanmıştır.

İkili sınıf tahminleri, klasik post işlem katmanı tarafından üretilen tahmin edilen sınıf olasılığı ŷ'ye sabit 0.50 olasılık eşiği uygulanarak oluşturuldu. Doğruluk, hassasiyet, hatırlama ve F1-puanı bu eşikli tahminlerden hesaplanırken, AUC–ROC eşik olmadan doğrudan sürekli olasılık değerlerinden hesaplandı. Hassasiyet, geri çağırma ve F1-puanı, zero_division=0 metrik fonksiyonları kullanılarak hesaplandı ve herhangi bir tanımlanmamış metrike 0.0 değeri atandı. Bildirilen deneyler sırasında böyle tanımlanmamış bir durum ortaya çıkmadı.

Temel modeller, aynı katlama bölümleri ve ön işleme boru hattı tarafından oluşturulan aynı dört bileşenli önceden işlenmiş özellik temsili kullanılarak değerlendirildi. Sekiz ReLU ile aktive edilmiş birimden oluşan gizli bir katmanı içeren klasik çok katmanlı perceptron, mimari olarak hibrit modelin klasik bileşenine eşleştirilmiş ancak kuantum devresi olmadan, Adam optimizatörü kullanılarak 1 × 10⁻⁴ L2 cezası ile eğitilmiştir. Gradyanla güçlendirilmiş bir ağaç sınıflandırıcı da aynı dört bileşenli temsil kullanılarak eğitildi; 200 ağaç, maksimum 3 ağaç derinliği, 0.1 öğrenme oranı ve her eğitim katındaki ters sınıf sıklığına eşit sınıf ağırlıkları kullanıldı. Ayrıca, PCA veya kuantum özellik kodlaması uygulanmadan başlangıç Min–Max normalizasyonundan sonra oluşturulan tam 22 özellikli temsil kullanılarak ikinci bir gradyan güçlendirilmiş ağaç sınıflandırıcı da eğitildi. Bu model, 300 ağaç, maksimum 4 ağaç derinliği, 0.05 öğrenme oranı ve aynı ters eğitim katlama sınıf ağırlıklandırma stratejisi kullandı. Klasik çok katmanlı perceptron temeli, MLPClassifier kullanılarak hidden_layer_sizes=(8,), aktivasyon="relu", solver="adam", alpha=1 × 10⁻⁴, batch_size="auto", learning_rate_init=0.001, max_iter=500, early_stopping=Yanlış, shuffle=True ve random_state=42 ile uygulanmıştır. Uygulama tarafından sağlanan varsayılan Glorot (Xavier) tekdüz ağırlık başlatma sistemi kullanıldı. Gradyent destekli ağaç taban çizgileri, XGBoost 3.3.0 kullanılarak uygulanmıştır: amaç = "ikili:lojîstîk", eval_metric = "logloss", tree_method = "otomatik", alt örneklem = 1.0, colsample_bytree = 1.0, reg_alpha = 0, reg_lambda = 1 ve random_state = 42.

Bölünme sonrası sınıf dengelemesinin etkisini değerlendirmek için, örnek ağırlıklandırma etkinleştirilmiş QI-HCNN modeli için birincil çapraz doğrulama prosedürü tekrarlandı. Dengeleme ağırlıkları yalnızca tren/test bölünmesinden sonra her katın eğitim bölümünden hesaplandı ve ilgili tutulan test bölümünden hesaplanmadı.

Devre-bileşen ablasyon deneyleri, tüm ön işleme, eğitim ve değerlendirme iş akışının dört kez tekrarlanmasıyla ve kuantum devresinin yalnızca iki dolanıklık katmanı değiştirilerek gerçekleştirildi. Dört devre varyantı şunlardan oluşuyordu: (i) her iki dolanıklık katmanını içeren tam devre; (ii) birinci dolanıklık katmanı çıkarılan ve ikinci tabaka korunan devre; (iii) birinci dolanıklık katmanı korunan ve ikinci katmanı çıkarılan devre; ve (iv) her iki dolanıklık katmanı çıkarılmış devre. Dört deneyde de aynı katlama bölümleri, rastgele tohumlar ve eğitim konfigürasyonları korundu; böylece gözlemlenen performans farkları yalnızca dolambaç-katman konfigürasyonuna bağlanabildi.

Sağlamlık değerlendirmesi olarak, katılımcı gruplarına göre çapraz doğrulama, 195 kayıt yerine 31 katılımcının beş gruba ayrılmasıyla gerçekleştirildi; bu gruba her biri altı ila yedi katılımcı içeriyordu. Her yineleme sırasında, model dört gruptaki katılımcıların kayıtları kullanılarak eğitildi ve kalan gruptaki katılımcıların kayıtları kullanılarak değerlendirildi; böylece hiçbir katılımcının aynı katın eğitim ve test bölümlerine kayıt katkısı yapmadığından emin oldu. QI-HCNN modeli, klasik çok katmanlı perceptron ve dört özellikli gradyan güçlendirilmiş baz çizgisi için beş katılımcı gruplu fold boyunca doğruluk, hassasiyet, hatırlama, F1-puan ve AUC–ROC standart sapmalarının ortalama ± olarak bildirildi. Katılımcı gruplarına dayalı çapraz doğrulama, katılımcı tanımlayıcılarının gruplama değişkeni olarak hizmet verdiği n_splits=5 ile GroupKFold sınıfı kullanılarak uygulandı. GroupKFold grupları karıştırmadığı için, katılımcılar uygulamanın varsayılan deterministik sıralamasına göre atanmış ve her biri altı veya yedi katılımcıdan oluşan katlamalar elde edilmiştir.

İstatistiksel anlamlılık, birincil değerlendirme ve temel modeller için elde edilen katsal AUC–ROC değerlerine eşleştirilmiş Wilcoxon imzalı sıralama testleri uygulanarak değerlendirildi. Kesin p-değerleri ve karşılık gelen eşleştirilmiş gözlem sayısı rapor edilmiştir çünkü bu testin istatistiksel gücü yalnızca az sayıda katlama olduğunda sınırlıdır. Dört çiftli AUC–ROC karşılaştırması önceden tanımlandı: (1) QI-HCNN ile klasik çok katmanlı perceptron; (2) QI-HCNN ile PCA uyumlu gradyanla güçlendirilmiş ağaç taban çizgisi; (3) klasik çok katmanlı perceptron ile PCA uyumlu gradyanla güçlendirilmiş ağaç taban çizgisi; ve (4) dengesiz QI-HCNN modeli ile bölünme sonrası dengeli QI-HCNN modeli. Analizler keşif amaçlı olduğu ve sınırlı katlama sayısı istatistiksel gücü önemli ölçüde azalttığı için çoklu karşılaştırma düzeltmesi uygulanmadı.

Özellik önemi analizi, tam 22 özellik temsili üzerinde eğitilen gradyanla güçlendirilmiş ağaç sınıflandırıcı kullanılarak gerçekleştirildi. Tüm orijinal akustik özellikler için kazanç temelli özellik önemi puanları çıkarıldı ve sıralandı. Ayrıca, PCA sadece raporlama amacıyla tüm veri setine uyarlanmış ve model değerlendirmesi sırasında kullanılmamıştır. Her orijinal akustik özellik için, tutulan dört ana bileşen üzerindeki mutlak yükler toplandı ve özellikler bu değerlere göre sıralandı. Her iki sıralama yöntemi ve örtüşmeleri rapor edildi. Kazanç tabanlı özellik önemi analizi için, gradyanla güçlendirilmiş ağaç uygulaması benzersiz kayan nokta kazanç değerleri üretti ve hiçbir eşitlik oluşmadı. Ana bileşen yükleme sıralamaları için, toplamlanmış mutlak yükleme değerlerindeki eşitlikler, veri setindeki orijinal özellik-sütun sırasına göre çözüldü.

Sonuçlar

Metinde bildirilen tüm sayısal değerler, Şekil 2–8 ve Tablo 2–4'te sunulanlarla uzlaştırılmış ve aynıdır. Her şekil, manuel hazırlanmak yerine Ek Kodlama Dosyası 1'de sağlanan koddan doğrudan oluşturulmuştur; bu da raporlanan sayısal değerler ile grafikli veriler arasında tutarlılık sağlar.

Birincil çapraz doğrulama performansı
Dengesiz eğitim protokolü kapsamında, QI-HCNN modeli 0.759 ± 0....

Tartışma

Bu protokol, ses kayıtlarından Parkinson hastalığı sınıflandırması için tamamen tekrarlanabilir bir QI-HCNN mimarisi belirtir; burada her kapı, parametre başlatma seçimi, ön işleme adımı ve değerlendirme prosedürü bağımsız uygulama için yeterli seviyede tanımlanır. Önerilen devre, mimari olarak uyumlu klasik çok katmanlı perceptron ve gradyanla güçlendirilmiş ağaç tabanlarına karşı aynı giriş özellikleri ve aynı çapraz doğrulama katlama bölümleri kullanılarak kıyaslanmıştır. Bu kıyaslama...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Adam optimizer	Standart sayısal-optimizasyon uygulaması	Özel uygulama; NumPy 2.4.4	Kuantum ve klasik parametrelerin birleşik optimizasyonu; Model Eğitimi
İkili çapraz-entropi kaybı uygulaması	NumPy kullanarak özel uygulama	NumPy 2.4.4; her mini-batch boyunca ortalamaya (ortalama azaltma) göre kaybın hesaplanması	Eğitim kaybı fonksiyonu; Model Eğitimi
Gradyan-güçlendirilmiş ağaç sınıflandırıcısı	XGBoost açık kaynak gradient-güçlendirme kütüphanesi	XGBoost 3.3.0; objective="binary:logistic"; eval_metric="logloss"; tree_method="auto"; random_state=42	PCA-eşleşmiş ve tam özellikli klasik temel çizgiler; Değerlendirme Protokolü
Makine öğrenme kütüphanesi	scikit-learn açık kaynak makine öğrenme kütüphanesi	scikit-learn 1.8.0	Min–Max ölçeklendirme, ana bileşen analizi, tabakalaşmış çapraz doğrulama, katılımcı gruplanmış çapraz doğrulama, çok katmanlı algılayıcı temel çizgisi ve değerlendirme metrikleri
Sayısal hesaplama kütüphanesi	NumPy açık kaynak sayısal hesaplama kütüphanesi	NumPy 2.4.4	Temel dizi işlemleri, durum vektörü simülasyonu, parametre başlatma ve manuel gradyan hesaplaması
Parkinson Hastalığı Sınıflandırma veri seti	Little, McSharry, Roberts, Costello ve Moroz; UCI Makine Öğrenimi Deposu üzerinden dağıtıldı	UCI Veri Seti ID 174; 31 katılımcıdan 195 kayıt; 19 Haziran 2025 tarihinde erişildi	Sürdürülmüş ünlü ses kaydı veri seti kaynağı; https://archive.ics.uci.edu/dataset/174
Bilimsel hesaplama kütüphanesi	SciPy açık kaynak bilimsel-hesaplama kütüphanesi	SciPy 1.17.1	Wilcoxon imzalı sıra istatistiksel önem testi; Değerlendirme Protokolü
Durum vektörü simülatörü	Özel durum vektörü simülatörü (Ek Kodlama Dosyası 1; qhcnn.py)	Sadece NumPy uygulaması; complex128 (çift) hassasiyet; harici bir arka uç gerekmez	Dört kubit kuantum devresinin çalıştırılması; Kuantum Devre Oluşturma
Tablo veri kütüphanesi	Pandas açık kaynak veri analiz kütüphanesi	Pandas 3.0.2	Veri seti yükleme, inceleme ve tablo düzenleme
İş istasyonu hesaplama ortamı	Yerel CPU iş istasyonu (bulut barındırılan Linux konteynırı)	x86_64 CPU; Ubuntu Linux; Python 3; GPU veya kuantum donanımı kullanılmamış; yaklaşık duvar saati eğitim süresi 30–60 saniye her katlama için	Tüm eğitim ve değerlendirme için kullanılan hesaplama ortamı; CPU tabanlı durum vektörü simülasyonu; GPU veya kuantum donanımı gerekmez