优化学习向量的量化和神经模糊技术的联合方法,用于预测使用声乐特征统一的帕金森病评级尺度

科学领域:

• 计算神经科学和机器学习在医疗保健中的应用.

背景情况:

• 帕金森病 (PD) 是一种常见的神经退行性疾病,影响运动功能.
• 统一帕金森病评级表 (UPDRS) 对于跟踪症状严重程度至关重要.
• 准确预测UPDRS得分对于有效的PD管理和远程监控至关重要.

研究的目的:

• 开发和评估一种新的计算方法,使用语音信号属性预测UPDRS分数.
• 模拟声乐特征与机动UPDRS和总UPDRS之间的关系.
• 与现有的机器学习技术对比拟方法的性能.

主要方法:

• 开发一种混合模型,将自适应神经模糊推理系统 (ANFIS) 与优化学习速率学习矢量量化 (OLVQ1) 集成在一起.
• 安菲斯模型的设计具有各种会员功能 (MF).
• 该方法在帕金森病远程监控数据集上得到了验证,其中包括来自42名早期PD患者的5875个语音记录.

主要成果:

• 联合ANFIS-OLVQ1方法在预测电机UPDRS和总UPDRS方面表现出卓越的性能.
• 达到最低的根平均平方误差 (RMSE) 值:总UPDRS的0.5732和电机UPDRS的0.5645.
• 获得的最高R平方值:总UPDRS为0.9876和电机UPDRS为0.9911,表明预测准确度很高.

结论:

• ANFIS-OLVQ1混合方法有效地预测了帕金森病早期阶段的语音信号的UPDRS得分.
• OLVQ1在PD数据细分方面被证明是有效的,增强了ANFIS预测能力.
• 这种方法为远程PD监测和评估提供了一个有前途的工具.