一个统一的深度学习整体框架,用于基于语音的帕金森病检测和运动严重性预测

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 帕金森病 (PD) 诊断依赖于临床评估,通常是主观的.
• 生物医学语音分析为PD检测和监测提供了一种非侵入性方法.
• 准确预测运动严重程度对于个性化PD管理至关重要.

研究的目的:

• 开发一种混合集体学习框架,用于同时检测PD和预测运动严重程度.
• 为了提高性能,利用深度多式联接和先进的功能工程.
• 为PD建立基于语音的临床决策支持系统建立一个可扩展的基础.

主要方法:

• 一个混合组合学习框架,将深层次的多式联络融合与专家途径和自我注意力相结合.
• 预处理包括异常值删除,两阶段特征缩放和数据增强.
• 集成策略涉及将融合模型输出堆叠在基于树的回归器 (随机森林,梯度增强,XGBoost) 上.

主要成果:

• 使用XGBoost (SE-XGB) 的堆叠组合实现了UPDRS回归的99.78%R2和0.3802RMSE.
• 该框架在帕金森病分类方面达到99.37%的准确性.
• 对比分析表明,相对于最近的文献,比较优异的性能,特别是在回归.

结论:

• 拟议的混合组合框架有效地整合了基于语音的PD监测的深度学习和组合元模型.
• 这种方法为PD检测和运动严重性预测提供了准确和可概括的模型.
• 该研究为未来帕金森病管理中的临床决策支持系统提供了一个可扩展的解决方案.