Jan, 2024

使用声音特征评估回声状态网络对帕金森病预测的研究

PDF
TL;DR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。
parkinson's diseasediagnostic modelmachine learning methodsecho state networksfalse negative rate
发现论文，激发创造
  • 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

  • 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

  • 基于特征的回声状态网络：实现储备计算机可解释性与简约性的一步

    提出了一种新颖且可解释的循环神经网络结构，采用回声态网络（ESN）范例进行时间序列预测，并通过较小的并行储备池驱动不同输入组合的特征，非线性组合以产生输出，其预测能力表现优于传统单储备池 ESN。

    Mar, 2024

  • 深度回声状态网络与不确定性量化在时空预测中的应用

    介绍了一种应用于非线性、多元时间序列的深度集成 ESN 模型及其在美国长期土壤湿度预测中的应用。

    Jun, 2018

  • PD-ADSV：基于语音信号和硬投票集成方法的帕金森病自动诊断系统

    使用 Python 和 Gradio 网页框架，开发了一种基于语音信号的自主系统 PD-ADSV，使用四种机器学习分类器和硬投票集成方法来诊断帕金森病并达到最高准确度。

    Apr, 2023

  • 帕金森病的声音生物标志和先进机器学习算法检测：一项综合研究

    该研究探索了派金森病患者声音特征变化作为早期疾病预测手段的潜力，使用多种先进的机器学习算法进行综合分析，结果表明 LightGBM 模型在准确率、AUC，敏感度和特异度等指标上表现出色，强调了结合声音生物标志物和先进机器学习技术对于精确及时检测派金森病的重要性。

    Nov, 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

    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

  • 应用人工智能和自然语言知识转移进行帕金森病诊断

    本研究提出了一种利用深度学习方法对带有 Parkinson 病的患者的语音记录进行分类的方法，通过对一个预训练自然语言模型 wav2vec 2.0 进行知识转移训练音频分类器，并成功在由智能手机录制的语音记录数据集中实现了 97.92% 的准确度。

    Apr, 2022

  • 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

  • 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