一个统一的方法来识别帕金森病:减轻不平衡和网格搜索优化增强与LightGBM

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的机器学习
• 生物医学信号处理

背景情况:

• 准确的帕金森病 (PD) 分类对于有效的医学诊断至关重要.
• 现有的方法可能缺乏可靠早期检测所需的精度.
• 语音信号为PD评估提供了一种非侵入性的模式.

研究的目的:

• 开发和评估一个新的框架,以提高帕金森病的分类准确性.
• 为了研究光梯度增强机 (LGBM) 的功效,并对PD检测进行超参数调整.
• 评估数据平衡技术,如合成少数群体过量采样技术 (SMOTE) 对分类性能的影响.

主要方法:

• 使用光梯度增强机 (LGBM) 模型进行帕金森病的分类.
• 应用网格搜索优化 (GSO) 用于LGBM模型的超参数调整.
• 采用合成少数人过量采样技术 (SMOTE) 来进行数据集平衡.
• 分析了来自语音信号的帕金森病数据集,包括各种特征子集 (例如,MFCC,WT,TQWT).
• 将拟议的LGBM方法与AdaBoost和XG-Boost进行了比较.

主要成果:

• 拟议的GSO-LGBM框架在使用所有特征的男性队列数据集上实现了高准确度 (0.98),精度 (1.00),灵敏度 (0.97),F1-Score (0.98) 和特异性 (1.00).
• 在LGBM方法中显示出卓越的分类准确性,在所有数据集和特征子集中,平均比AdaBoost和XGBoost提高了5%.
• SMOTE预处理提高了分类分析的稳定性和可靠性.

结论:

• 使用GSO-LGBM和SMOTE的新型框架显著提高了基于语音信号的帕金森病分类准确性.
• 这种方法为帕金森病的医学诊断提供了有希望的进步.
• 这些发现为开发更准确,更可靠的诊断工具提供了宝贵的见解.