.png){kind=icon}
返回
Efficient Parkinson's disease classification from speech with filter-based feature selection and Genetic Algorithm-Bayesian Optimization ensemble integration
.png){kind=icon}
PRE
AI
DOI：10.7717/peerj-cs.3430.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
帕金森病（PD）是一种进展性的中枢神经系统神经退行性疾病，严重影响生活质量。早期准确的诊断对于改善治疗效果和延缓疾病进展至关重要。本研究提出了一种基于纯声音生物标志物的帕金森病分类框架，该框架计算效率高且临床可行。我们的方法利用选择性特征优化和轻量级集成学习，避免了依赖深度或计算密集型架构。评估了三种集成策略：(i) 迭代多数投票，(ii) 基于遗传算法（GA）的分类器选择，(iii) 基于贝叶斯优化（BO）的概率加权。在此基础上，我们引入了一种混合GA-BO集成方法，结合GA驱动的模型选择与BO引导的加权以优化诊断性能。实验结果表明，该混合集成方法达到了最先进指标，包括96.4%的准确率、97.6%的F1分数以及0.906的马修斯相关系数（MCC）。所提出的系统可适应不同的特征集，并适合集成到移动或边缘计算平台中。总体而言，该框架为帕金森病早期诊断提供了一种非侵入性、可扩展且经济高效的决策支持工具。
Keyword:
Hybrid filter-based selection
Iterative majority voting ensemble
GA-BO ensemble voting
Parkinson's disease classification
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
HEFS-MLDR: A novel hybrid ensemble feature selection framework for improved deep neural network architecture in the diagnosis of Parkinson’s diseaseHEFS-MLDR：一种用于改善帕金森病诊断中深度神经网络架构的新型混合集成特征选择框架
PREAI
分享收藏Deep Feature Extraction From the Vocal Vectors Using Sparse Autoencoders for Parkinson's Classification.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Deep 1D-Convnet for accurate Parkinson disease detection and severity prediction from gait深度1D-Convnet用于精确的帕金森病检测和步态严重程度预测OAAI
OAAI分享收藏
查看更多内容