使用改进的鱼优化基于混合深度学习的帕金森病预测

科学领域:

• 神经学 神经学
• 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:

• 准确预测帕金森病的进展对于及时诊断和治疗至关重要,最终可以改善患者的治疗结果.
• 当前的预测方法可能会从利用可访问资源和先进的计算技术的新方法中受益.

研究的目的:

• 开发和验证一种用于帕金森病预测的新,免费可访问的方法.
• 通过使用先进的信号处理和优化算法来增强特征提取和分类准确性.

主要方法:

• 数据预处理涉及带通选,然后进行经验模式分解 (EMD) 来提取特征.
• 基于注意力的高效双向网络 (ImCfO_Attn_EffBNet),集成EfficientNet-B7,BiLSTM和注意力模块,用于分类.
• 改进的鱼优化 (ImCfO) 算法被用来优化网络的融合,损失函数和参数.

主要成果:

• 通过自我适应标准,ImCfO算法表现出增强的性能,改善了趋同并找到最佳解决方案.
• ImCfO_Attn_EffBNet实现了高预测准确度 (95.068%),具有强烈的回忆 (92.948%),特异性 (92.89%) 和F-Score (92.89%).
• 该方法有效地收集了时间和空间数据,以进行强大的帕金森病预测.

结论:

• 开发的ImCfO_Attn_EffBNet模型显示,对准确可靠的帕金森病预测有很大的前景.
• 集成EMD,ImCfO和先进的神经网络架构为神经疾病分析提供了强大的工具.
• 这种新的方法,利用可自由获取的资源,可以帮助早期诊断和个性化治疗帕金森病的策略.