基于空中动态特征提取与选择的帕金森病检测，采用机器学习

帕金森病（PD）是一种渐进性神经系统疾病，损害运动控制，导致震颤、僵硬和运动迟缓等症状。早期且准确的PD检测对有效管理和改善患者结果至关重要。许多研究人员在分析手写数据以检测PD时，通常依赖于对整个手写任务计算统计特征。虽然这种方法能够捕捉广泛的模式，但存在一些局限性，包括缺乏对动态变化的关注、特征表示过于简化、缺乏方向性信息以及遗漏微小运动或细微变化。因此，这些系统在实现好的性能准确性、稳健性和敏感性上面临挑战。为了解决这个问题，我们提出了一种优化的PD检测方法学，该方法结合了新开发的动态运动学特征和基于机器学习（ML）技术，以捕捉手写任务中的运动动态。与典型的帕金森病（PD）检测方法不同，我们的方法将PD患者分为不同阶段——早期、中期和晚期，基于疾病的年龄，反映其随时间的进展。在该过程中，我们首先从手写任务中提取了65个新开发的运动学特征，旨在带来显著的加速、减速和方向变化等微妙运动，传统方法可能难以检测到。我们还重复使用了23个现有的运动学特征，形成了一个全面的新特征集。接下来，我们通过应用统计公式从手写数据计算分层特征来增强运动学特征。这种方法使我们能够捕捉到区分PD患者与健康对照者的微小运动变化。为了进一步优化特征集，我们应用顺序前向浮动选择方法选择最相关的特征，降低维度和计算复杂性。最后，我们采用基于集成投票的ML方法，在任务分类中取得了96.99%的出色准确性，在任务集成中取得了99.98%的准确性，超越了当前最先进模型在PaHaW数据集上的结果2%。这种卓越的准确性突显了我们方法在重新定义PD检测基准方面的变革潜力。我们的代码和数据可在以下网址获取：https://github.com/musaru/PDPaHaW。