通过分析人类脑电图信号，采用支持向量机分类模型，提出了一种创新的帕金森病诊断方法，该研究通过提高诊断准确性和可靠性增强了模型的性能。

Apr, 2024

该研究提出了一种基于深度学习模型的帕金森病诊断方法，利用静息状态脑电图信号，通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力，该模型由卷积神经网络、双向门控循环单元和注意力机制构成，并在三个公开数据集上进行评估，结果表明该模型在训练和测试数据集上均能准确诊断帕金森病，即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义，该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。

Aug, 2023

本研究提出了一个计算效率高的机器学习模型，利用静息 - 状态脑电图（rs-EEG）在物联网环境下对帕金森病进行诊断和监测。研究结果显示，使用模糊熵能够最准确地诊断和监测帕金森病。同时，在信号频率范围和脑电图通道的不同组合下，能够准确诊断帕金森病。通过减少特征数量，作者最高达到了 99.9% 的分类准确率。研究结果还发现，脑电信号中的低频成分（0-4 Hz）对分类准确率起到关键作用。此外，作者还评估了不同长度的脑电图数据对帕金森病诊断的准确率，结果表明减少输入数据可以降低计算复杂度。因此，可以在物联网环境中使用性能较低的智能机器学习传感器，从而增强人类对帕金森病的抵抗力。

Aug, 2023

通过研究帕金森症（PD）患者和健康对照者（HC）的情感脑电图（EEG）信号，本研究使用传统机器学习和深度学习方法，探讨维度和分类情感识别以及 PD 与 HC 分类的有效性，结果表明情感 EEG 响应几乎可以完美地识别出 PD 和 HC，而通过研究 “隐含” 反应可以发现 PD 患者的价值相关缺陷，并且情感 EEG 分析是一种生态有效、易于实现和可持续的 PD 诊断工具。

Feb, 2022

通过机器学习技术，使用临床特征，声音特征和运动检查等数据，实现对帕金森病的早期检测，并取得了 100％针对 PD 和 RBD 患者的准确分类率，以及对 PD 和 HC 个体的 92％准确分类率。

Oct, 2023

该论文提出了一种基于深度学习技术的方法，通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症，并预测病情的程度，取得了非常有前景的效果。

Feb, 2024

本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

May, 2018

通过分析网络摄像头录制的手指敲击、面部表情（微笑）和语音（说出包含所有字母的句子）的特征，我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病，该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备，在有限制性临床专家资源的地区尤其方便。

Jun, 2024

通过引入多模态方法，结合深度学习和图融合技术，我们的研究提出了一种用于帕金森病分类的图视多模态方法，实验结果表明，在五折交叉验证中，该方法可以达到 91% 的准确率和 92.8% 的 AUC，并且相比仅依赖机器学习方法的方法，在非图像数据上具有更强的预测能力。

Nov, 2023

本文提出了使用 MRI 和 DTI 两种不同模态的直接三类 PD 分类方法，通过使用白质和灰质 MRI 数据以及 DTI 数据的有限阻抗和平均扩散度，利用四个独立 CNN 模型进行决策层融合，实现了对公开 PPMI 数据库中 PD、健康人群和无多巴胺缺陷证据扫描的直接三类 PD 分类，获得了 95.53% 的准确率。通过一系列消融研究明确证明了我们提出的解决方案的有效性。

Jul, 2023