DWT-OEFS:基于离散波量变换的优化集体特征选择,用于帕金森病严重程度分类

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 信号处理 信号处理

背景情况:

• 帕金森病 (PD) 显著损害运动功能,特别是步态,需要精确的严重程度分级,以有效管理.
• 目前的临床分级依赖于主观评估,如Hoehn & Yahr规模,这取决于经验.
• 需要客观,数据驱动的方法来补充或改进PD严重性评估.

研究的目的:

• 开发和验证一个基于元启发的优化整体特征选择框架,用于对帕金森病的严重程度进行分级.
• 通过使用可穿戴传感器的步行垂直地面反应力数据来提高分类准确性.
• 为了应对PD研究中有限的数据集大小和阶级不平衡等挑战.

主要方法:

• 信号处理技术,包括离散波纹转换 (DWT),被应用于细分并从步态数据中提取13个特征.
• 使用二进制灰狼优化,二进制鱼优化和二进制龙算法进行了优化组合特征选择 (OEFS).
• 使用SMOTETomek来处理阶级不平衡,然后使用四个领先的分类器和加权投票组合进行分类.

主要成果:

• 拟议的组合模型使用加权投票实现了98.56%的最大多类分类准确性.
• 优化的特征选择有效地减少了维度,并防止了维度的诅咒.
• 该方法在与现有模型和个人分类器相比显示出更高的性能.

结论:

• 开发的框架提供了一种准确而客观的方法,用于使用步态分析对帕金森病的严重程度进行分级.
• 综合的元启发特征选择与信号处理相结合,为复杂的医疗数据分析提供了强大的解决方案.
• 这种方法有可能改善帕金森病管理中的临床决策和患者结果.