Ein neuartiger ensemblebasierter Ansatz zur Erkennung von Parkinson-Krankheit, der von Mustern und Merkmalen abhängt

Zusammenfassung Die Parkinson-Krankheit (PD) ist eine neurologische Erkrankung, von der weltweit die meisten Menschen betroffen sind. Jüngste Forschungen haben gezeigt, dass etwa 90 % der PD-Patienten Sprachstörungen aufweisen. Motiviert durch diese Tatsache schlugen viele Forscher Methoden auf der Grundlage verschiedener Arten von Sprachdaten zur Vorhersage von PD vor. Diese Methoden stehen jedoch entweder vor dem Problem einer niedrigen Genauigkeitsrate oder mangeln an Generalisierbarkeit. Um einen Ansatz zu entwickeln, der frei von diesen Problemen ist, schlagen wir in diesem Papier einen neuartigen Ensembleansatz vor. Die Beiträge dieses Papiers sind zweifach. Erstens die Untersuchung der Integration von Merkmalselektion mit tiefen neuronalen Netzwerken (DNN) und die Validierung ihrer Wirksamkeit durch den Vergleich ihrer Leistung mit herkömmlichen DNN und anderen ähnlichen integrierten Systemen. Zweitens die Entwicklung eines neuartigen Ensemblemodells namens EOFSC (Ensemble-Modell mit optimalen Merkmalen und Musterabhängigen Basis-Klassifikatoren), das die Ergebnisse kürzlich veröffentlichter Studien nutzt. Jüngste Forschungen haben gezeigt, dass für verschiedene Arten von Sprachdaten unterschiedliche optimale Modelle erlangt werden, die empfindlich auf verschiedene Arten von Mustern und Teilmengen von Merkmalen reagieren. In diesem Papier konsolidieren wir die Erkenntnisse weiter, indem wir das vorgeschlagene integrierte System nutzen und die Entwicklung von EOFSC vorschlagen. Für mehrere Arten von Vokalphonationen werden mehrere Basisklassifikatoren erlangt, die empfindlich auf verschiedene Teilmengen von Merkmalen reagieren. Diese Merkmale und musterabhängigen Basisklassifikatoren werden integriert, und das vorgeschlagene EOFSC-Modell wird konstruiert. Um die endgültige Vorhersage des EOFSC-Modells zu bewerten, wird die Mehrheitsabstimmungsmethodik angewendet. Experimentelle Ergebnisse zeigen, dass die Integration der Merkmalselektion mit neuronalen Netzwerken die Leistung herkömmlicher neuronaler Netzwerke verbessert. Darüber hinaus übertrifft die Integration von Merkmalselektion mit DNN die Integration von Merkmalselektion mit herkömmlichen Modellen des maschinellen Lernens. Schließlich wurde beobachtet, dass das neu entwickelte Ensemblemodell die Genauigkeit der PD-Erkennung um 6,5 % verbessert.