基于熵的机器学习模型用于智能物联网环境中的帕金森病诊断和监测

Aug, 2023

基于熵的机器学习模型用于智能物联网环境中的帕金森病诊断和监测

Entropy-based machine learning model for diagnosis and monitoring of Parkinson's Disease in smart IoT environment

Maksim Belyaev, Murugappan Murugappan, Andrei Velichko, Dmitry Korzun

TL;DR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。

Abstract

The study presents the concept of a computationally efficient machine learning (ML) model for diagnosing and monitoring parkinson's disease (PD) in an internet of things (IoT) environment using rest-state EEG sig

parkinson's disease internet of things rs-eeg diagnosis machine learning

发现论文，激发创造

利用脑电图信号和机器学习技术进行帕金森病诊断的综合研究

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

一种基于混合深度时空注意力模型的帕金森病诊断方法，使用静息状态脑电信号

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

一种基于 EEG 的帕金森病诊断方法：使用胶囊网络

本文提出了一种基于脑电图的方法来诊断帕金森病，通过使用插值方法将脑电图信号的频带能量映射到二维图像中，并使用胶囊网络（CapsNet）进行分类，短期 EEG 部分的正确率达到 89.34％。通过在不同 EEG 带上分类的比较，我们发现在伽马波段的分类准确性最高，暗示我们需要更加关注早期 PD 患者的伽马波段的变化。

Dec, 2021

利用机器学习进行早期诊断帕金森病的实验研究

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

情感 EEG 信号的帕金森病自动检测和情感分析

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

使用多任务神经网络确定帕金森病患者的严重程度

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

通过多任务视频分析实现帕金森病在家无障碍检测

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

利用运动症状和机器学习早期检测帕金森病

本研究旨在利用可穿戴系统，通过机器学习算法分析帕金森症早期症状，挖掘相关生物标志物进行症状监测和早期预测，结果表明通过该方法可获得 91.9% 的预测准确度。

Apr, 2023

使用声音特征评估回声状态网络对帕金森病预测的研究

该研究旨在开发一种诊断模型，能够在临床实践中实现高准确度和最小化误报阴性，使用 ANOVA 进行特征选择，结合 Echo State Networks 等多种机器学习方法进行评估，结果表明 ESN 方法在 Parkinson's 疾病诊断方面具有优越的性能，不仅准确性更高，而且假阴性率最低，使其成为有限数据场景下特别适用的 PD 诊断模型。

Jan, 2024

基于手腕动作的时间序列分类用于帕金森病检测

介绍了使用 InceptionTime 和 RandOm Convolutional KErnel Transform (ROCKET) 处理可穿戴加速度计数据在帕金森病患者的症状监测方面的研究，结果显示这两种方法都适用于连续症状监测，但选择取决于所关注的症状和期望的稳健性。

Apr, 2023