使用多类机器学习方法检测帕金森病

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学信号处理

背景情况:

• 帕金森病 (PD) 是一种进展性神经疾病,影响运动和认知功能,早期发现对管理至关重要.
• 当前的诊断方法可能无法捕捉微妙的早期变化,需要先进的检测技术.
• 语音信号的改变被认为是PD的潜在早期指标.

研究的目的:

• 研究机器学习 (ML) 和深度学习 (DL) 模型在区分患有帕金森病的个体和健康的对照人群中使用语音记录的有效性.
• 评估K-最近邻居 (KNN) 和前神经网络 (FNN) 模型用于PD检测的性能.
• 通过诸如合成少数人过量采样技术 (SMOTE),特征选择和超参数调整等技术来优化模型性能.

主要方法:

• 利用来自UCI的195个语音录音数据集,来自31名帕金森病患者和健康个体.
• 应用的ML/DL模型包括K-近邻 (KNN) 和前神经网络 (FNN).
• 采用数据预处理技术,如SMOTE用于类不平衡,特征选择和RandomizedSearchCV用于超参数优化.

主要成果:

• 送神经网络 (FNN) 模型实现了优异的性能,准确率为99.11%,回忆率为98.78%,精度为99.96%,F1得分为99.23%.
• 内核支持向量机 (KSVM) 模型也表现出强的结果,达到95.89%的准确性,96.88%的回忆,98.71%的精度,97.62%的F1得分.
• 在80-20数据分割上训练的FNN和KSVM模型都被证明有效地从语音信号中识别帕金森病.

结论:

• ML和DL技术,特别是FNN和KSVM,对于使用语音分析准确检测帕金森病非常有效.
• 语音信号分析为早期诊断帕金森病提供了一个有希望的,非侵入性的途径.
• 这些发现突出了人工智能驱动的方法的潜力,可以显著提高对帕金森病的早期检测和干预策略.