通过结合SMOTE和特征选择来提高帕金森病的检测,以使用语音录音来改进机器学习分类

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.
• 机器学习 机器学习

背景情况:

• 帕金森病 (PD) 的诊断是具有挑战性的,尤其是在早期.
• 语音分析是PD检测的一个有希望的非侵入性方法.
• 类失衡和高维数据阻碍了机器学习 (ML) 的准确性.

研究的目的:

• 用语音分析优化机器学习模型,用于早期检测帕金森病.
• 评估数据平衡和特征选择技术的综合影响.
• 确定PD语音检测中最有效的预处理和分类方法.

主要方法:

• 应用合成少数人过量采样技术 (SMOTE) 用于数据平衡.
• 使用的特征选择 (FS) 方法:差异分析,奇平方 (χ2) 和相互信息.
• 集成预处理与分类器:XGBoost,随机森林,物流回归和支持向量机.

主要成果:

• 将SMOTE与FS结合起来,显著提高了ML模型的性能,而不是单个技术.
• 使用奇平方 (χ2) FS 的XGBoost获得了最高的准确性 (96.4%) 和F1得分 (96.9%).
• 使用大约600个选定的语音功能实现了最佳性能.

结论:

• 有效的预处理,包括数据平衡和特征选择,对于精确的基于ML的语音PD检测至关重要.
• 这种方法支持对帕金森病的先进,非侵入性诊断工具的开发.
• 优化的ML模型显示了早期和可靠的PD识别的高潜力.