一个强大的帕金森病检测模型,基于时间变化的突触效能函数在尖端神经网络中

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 帕金森病 (PD) 影响全球数百万人,目前的检测依赖于能源密集型,复杂的人工神经网络 (ANN) 模型.
• 传统ANN的局限性包括高能耗和复杂的架构,阻碍了有效的PD诊断.

研究的目的:

• 引入和评估SEFRON,一种用于帕金森病检测的新型尖端神经网络 (SNN) 模型.
• 将SEFRON的性能与PD检测的既定神经网络模型进行比较.

主要方法:

• 用一种具有时间变化的突触效率 (SEFRON) 的漏洞整合和火神经元模型来检测PD.
• 在两个标准数据集上评估了SEFRON:UCI帕金森病检测数据集和UCI帕金森数据集与复制的声学特征.
• 将SEFRON与多层感知神经网络 (MLP-NN),辐射基函数神经网络 (RBF-NN),循环神经网络 (RNN) 和长短期记忆 (LSTM) 相比较.

主要成果:

• 在第一个数据集上,SEFRON实现了100%的最大精度和99.49%的平均精度.
• 在第二个数据集上,SEFRON达到94%的峰值精度和91.94%的平均精度.
• 在两个数据集上,SEFRON在准确性方面超过了所有比较的神经网络模型.

结论:

• 与传统的神经网络相比,SEFRON在检测帕金森病方面表现优越.
• SEFRON模型显示了开发可靠,自动化的PD检测设备的潜力,用于早期诊断援助.
• 这种基于SNN的方法适用于神经形态设备,提供能源效率和更简单的架构.