多重关联特征提取和疾病预测模型的构建,用于患有中风后性关节障碍症的患者
概括
这项研究引入了一种新模型,通过分析情绪表达和心理状态来预测中风患者的运动性失关节症严重程度. 该模型显著提高了诊断准确性,解决了主观临床评估的局限性.
科学领域:
- 神经学 神经学
- 语音语言病理学 语言病理学
- 人工智能的人工智能
背景情况:
- 在中风患者中,运动性性关节障碍的临床诊断是主观的,往往忽略了心理因素.
- 情绪和心理状态显著影响失联症的进展和可理解性.
- 现有的诊断方法缺乏对多模式情绪和病理表达的全面分析.
研究的目的:
- 调查情绪表达,心理状态,面部表情和运动性脱节症严重程度之间的相关性.
- 开发一个客观的肌痛性关节障碍预测模型,结合多式联络数据.
- 建立一个新的中国多式联络情绪病理表达数据库 (THE-POSSD).
主要方法:
- 从中风患者和健康对照组在情绪刺激下收集了声学,喉和面部数据.
- 使用灰色相关理论和灰色关系分析-深度信念网络 (GRA-DBN) 来进行模型构建.
- 优化了GRA-DBN模型,使用主要组件分析和差异通胀因子.
主要成果:
- 确定了154个在情绪/心理数据和失联症严重程度之间显著的相关性特征.
- 实现了高预测准确度,GRA-DBN模型的调整R2为0.85.
- 优化的模型显示出0.92的优异调整R2,突出显示出更好的预测能力.
结论:
- 开发的模型提供了一种更客观,更精确的方法来诊断中风后患者的运动性肌痛.
- 结合多模式的情感和心理特征,提高了失联症预测的准确性.
- 这项研究提供了一个有价值的框架和数据集,以了解精神状态和语言障碍之间的相互作用.
