Una nueva clasificación de voces basada en la distancia de Gower para la detección de la enfermedad de Parkinson

Los clasificadores tradicionales para la clasificación de enfermedades, como K-Nearest Neighbors (KNN), Análisis Discriminante Lineal (LDA), Bosque Aleatorio (RF), Regresión Logística (LR) y Máquina de Soporte Vectorial (SVM), a menudo tienen dificultades con conjuntos de datos médicos de alta dimensión. Este estudio presenta un nuevo clasificador para superar las limitaciones de los clasificadores tradicionales en la detección de la enfermedad de Parkinson (EP) basado en la distancia de Gower. Presentamos la métrica de distancia de Gower para manejar conjuntos de características diversas en grabaciones de voz, que actúa como una medida de disimilitud para todos los tipos de características, lo que hace que el modelo sea hábil en la identificación de patrones sutiles indicativos de EP. Además, se emplea el algoritmo de Búsqueda de Cernícalo para la selección de características, reduciendo la dimensionalidad al centrarse en características clave, disminuyendo así la carga computacional asociada con conjuntos de datos de alta dimensionalidad. El clasificador propuesto basado en la distancia de Gower logró una tasa de precisión del 98.3% con la selección de características y alcanzó una precisión del 94.92% sin el método de selección de características. Supera a los clasificadores tradicionales y a estudios recientes en la detección de EP a partir de grabaciones de voz. Esta precisión muestra la capacidad del enfoque en la correcta clasificación de instancias y señala el potencial del enfoque como una herramienta diagnóstica confiable para el médico. Los hallazgos indican que el enfoque propuesto tiene un buen potencial para mejorar el diagnóstico y seguimiento de la EP, tanto dentro de las instituciones médicas como en los hogares para personas mayores.