使用LDEFS特征选择和Mamdani模糊神经网络进行增强的帕金森病预测

科学领域:

• 计算神经科学是一种神经科学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 帕金森病 (PD) 是一种神经退行性疾病,由于多巴胺基神经元损失,影响了运动,言语和认知功能.
• 目前用于PD诊断的计算模型通常需要手动输入,忽视炼模式和风险错误分类.
• 需要自动化,可靠的预测模型,能够处理广泛的临床数据集.

研究的目的:

• 开发一种用于早期发现帕金森病的自动化和高度准确的预测模型.
• 通过集成高级特征选择和模糊神经网络建模来提高诊断可靠性.
• 通过结合与运动相关的模式和优化特征加权来解决现有模型的局限性.

主要方法:

• 使用来自公共存储库的帕金森病数据集.
• 应用Z-Score规范化 (ZSN) 用于数据预处理和降噪.
• 使用疾病影响扩大率 (DASR) 进行特征量化和排名.
• 实施了物流决策详尽特征选择 (LDEFS) 以实现最佳特征提取.
• 开发了一种用于PD预测的Mamdani Fuzzy神经网络 (MFNN) 模型.

主要成果:

• 拟议的LDEFS-MFNN框架在PD早期检测方面实现了95.8%的预测准确度.
• 该模型的高F值为95.3%,超过了现有的机器学习分类器.
• 实验结果证实,与以前的方法相比,探测能力优越.

结论:

• 综合详尽的特征排名和模糊的神经建模的整合显著改善了帕金森病预测性能.
• 开发的系统最大限度地减少了对人类干预的需求,并提高了分类的稳定性.
• 拟议的模型为早期PD诊断提供了一个可靠的,可扩展的解决方案,具有临床应用的潜力.