.png){kind=icon}
返回
Efficient Voice-Based Parkinson Classification via Algorithm-Level Class Balancing
.png){kind=icon}
OA
AI
DOI：10.1016/j.jvoice.2026.02.047.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
帕金森病（PD）是一种进行性神经退行性疾病，其诊断程序在及时准确执行时对于改善患者预后至关重要。机器学习方法在识别PD方面显示出有希望的结果；然而，基于帕金森病患者语音特征的数据常观察到样本量小且类别严重不平衡（患者样本远多于健康样本），这显著限制了模型的泛化能力和稳定性。本研究受评估数据预处理和模型级方法在上述约束条件下对性能影响的客观需求驱动。为此，设计了三种场景。首先使用递归特征消除（Recursive Feature Elimination）在头两种场景中缩减18个显著特征，随后在数据层面应用重采样方法：实例难度阈值（Instance Hardness Threshold）欠采样及结合K-means聚类的混合过采样策略，该策略包含合成少数类过采样技术（SMOTE）、边界SMOTE（Borderline-SMOTE）和SMOTE-Tomek。尽管这些方法缓解了类别不平衡，但引发了信息损失和决策边界扭曲等副作用，这在考虑PD数据的小样本量和敏感性时尤为突出。为应对这些限制，第三种场景采用基于费舍尔分数（Fisher score）的特征选择方法，该方法有助于减少特征冗余，同时结合算法级不平衡缓解，使用高度优化的CatBoost和支撑向量机（Support Vector Machine）模型进行训练和评估以分类PD病例。该方案利用了精细特征集的判别能力并保持了数据完整性。结果表明，第三种场景中的CatBoost取得了最佳性能指标（准确率=97%，曲线下面积=0.96，F1=0.98），这进一步证实了特征级精炼与算法适应性相结合在基准评估条件下对PD诊断具有相对更优的性能。本研究以其全面的设计著称，因为它在同等实验条件和不同训练-测试划分下系统地分析了所有场景。
Keyword:
Parkinson’s disease
Instance Hardness Threshold
Class imbalance
CatBoost
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.4
论文数:
1.3K
被引数:
8.3K
机构
引用论文
Securing transactions: a hybrid dependable ensemble machine learning model using IHT-LR and grid search.png)
CYBERSECURITY
OAAI
CYBERSECURITYIF3.7
OAAI分享收藏Hybrid Feature Selection Framework for the Parkinson Imbalanced Dataset Prediction Problem针对帕金森不平衡数据集预测问题的混合特征选择框架MedicinaOAAI
MedicinaIF0
OAAI分享收藏Sampling-Based Machine Learning Models for Intrusion Detection in Imbalanced Dataset基于采样的机器学习模型在不平衡数据集入侵检测中的应用ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏Hybrid Undersampling and Oversampling for Handling Imbalanced Credit Card Data处理不平衡信用卡数据的混合欠采样和过采样IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Feature Selection Based on L1-Norm Support Vector Machine and Effective Recognition System for Parkinson's Disease Using Voice RecordingsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Evaluation of landslide susceptibility based on SMOTE-Tomek sampling and machine learning algorithm基于SMOTE-Tomek采样和机器学习算法的滑坡易发性评价PLOS ONEOAAI
PLOS ONEIF2.6
OAAI分享收藏
查看更多内容