调整基于注意力的短期长期记忆神经网络,用于使用修改后的元启发学来检测帕金森病

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 是一种进展性神经退行性疾病,影响全球数百万人.
• 目前的PD诊断依赖于主观的临床评估,缺乏精确可靠的测试.
• 早期检测对于症状管理和改善患者生活质量至关重要.

研究的目的:

• 探索长期短期记忆 (LSTM) 神经网络与注意力机制的使用,以检测帕金森病.
• 开发和评估一个修改的鱼优化算法 (COA),用于优化PD检测中的AI模型参数.
• 通过使用双重任务行走测试数据来评估拟议的AI模型的有效性.

主要方法:

• 利用了与注意力机制集成的长期短期记忆 (LSTM) 神经网络.
• 开发了一种修改后的鱼优化算法 (COA),用于微调网络架构和训练参数.
• 在帕金森病的公共临床步行数据集上训练和评估模型.

主要成果:

• 优化的LSTM模型在检测帕金森病时达到87.4187%的高精度.
• 修改后的COA在定制AI模型参数以提高性能方面表现出有效性.
• 这项研究成功地利用了双重任务行走测试数据来检测PD.

结论:

• 拟议的AI方法,结合LSTM网络和修改后的COA,显示了准确和早期检测帕金森病的巨大潜力.
• 与当前的临床评估相比,这种方法提供了一个更客观,可能更早的诊断工具.
• 进一步的研究可以完善这种人工智能驱动的方法,用于帕金森病诊断中的临床应用.