在人体内覆盖的多层模糊样本压缩,用于对帕金森病的语音诊断

科学领域:

• 生物医学工程 生物医学工程
• 计算语言学 计算语言学
• 机器学习 机器学习

背景情况:

• 使用机器学习 (ML) 对语音数据进行帕金森病 (PD) 诊断是一个活跃的研究领域.
• 目前的ML模型将单个语音样本视为单元,由于受试者内部的样本特定特征变异,难以找到稳定的诊断标记.
• 这种局限性阻碍了可靠的诊断工具的开发,这些工具反映了帕金森病的整体病理.

研究的目的:

• 开发一种新的方法来压缩受试者的语音体样本,以确定帕金森病诊断的统一和稳定的语音特征.
• 通过改善病理性语音标记的提取来提高基于ML的帕金森病检测的诊断准确度.
• 创建一个集体学习算法,能够处理压缩语音数据,以提高临床适用性.

主要方法:

• 开发了一种两步样本压缩模块 (TSCM),包括一个样本修剪模块 (SPM) 和一个样本模糊集群机制 (SFCMD).
• 多个TSCM被堆叠在一起,形成一个多层样本压缩模块 (MSCM),用于获取压缩样本.
• 集成了一个同时采样/特征选择机制 (SS/FSM),然后是一个新的集体学习算法 (EMSFE) 与一个稀疏融合集体学习机制 (SFELM).

主要成果:

• 拟议的EMSFE算法有效地压缩了受试者内部的语音样本,从而能够提取稳定的诊断标记.
• 在Leave-One-Subject-Out (LOSO) 交叉验证中,在三个不同的数据集上,通过极端学习机器 (ELM) 分类器实现了92.5%,93.75%和91.67%的高准确性.
• 提取的特征的可视化证实了算法的识别相关病理标记的能力.

结论:

• 开发的EMSFE算法成功提取了统一和稳定的语音特征,这些特征准确地代表了帕金森病的整体病理学.
• 这种方法克服了现有方法的局限性,解决了受试者内部的样本变异性.
• 这些发现表明,拟议的方法对提高机器学习在帕金森病诊断中的临床应用具有重大前景.