语音生物标志物作为帕金森病的预后指标,使用机器学习技术

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 帕金森病是一种进展性神经系统疾病,影响全球数百万人,其特点是多巴胺缺乏和运动症状,如震和刚性.
• 当前的诊断方法可能对早期检测具有挑战性,突出显示了对新型非侵入性方法的需求.
• 发声障碍是帕金森病患者的常见症状,表明其作为早期指标的潜力.

研究的目的:

• 为了研究声音测量对帕金森病早期预测的有效性.
• 为了比较各种机器学习模型在基于语音数据对帕金森病患者的分类方面的表现.
• 评估特征选择技术,以优化诊断准确度.

主要方法:

• 利用了来自31个个人的195个声音录音数据集 (帕金森病患者和健康对照).
• 应用机器学习算法包括支持矢量机 (SVM),随机森林 (RF),后勤回归 (LR) 和决策树 (DT).
• 用于类不平衡的合成少数人过量采样技术 (SMOTE) 和用于特征选择的主要组件分析 (PCA).

主要成果:

• 随机森林 (RF) 展示了最高的性能,达到94%的准确性和94%的精度.
• 支持矢量机 (SVM) 在没有特征选择的情况下实现了92%的准确性和91%的精度.
• 在PCA后,SVM,RF和决策树 (DT) 的准确率分别为89%,92%和87%,表明特征选择的影响.

结论:

• 当通过先进的机器学习分析声音特征时,它为早期帕金森病诊断提供了一种可靠的方法.
• 机器学习模型,特别是随机森林模型,显示出在使用语音数据来区分健康个体和帕金森病患者的巨大潜力.
• 这项研究强调了语音分析的重要性,作为一种具有成本效益和可访问的工具,用于早期发现帕金森病,解决当前的诊断挑战.