Performance, Transparency and Time. Feature selection to speed up the diagnosis of Parkinson's disease
University of Nicosia(尼科西亚大学)
对疾病的准确和早期预测允许计划和改善患者未来的生活质量。在大流行的情况下,医疗决策成为一个速度的挑战,其中医生必须快速采取行动,以诊断和预测疾病的严重程度的风险,此外,这也是高度优先的神经退行性疾病,如帕金森氏病。具有特征选择(FS)技术的机器学习(ML)模型可以应用于帮助医生快速诊断疾病。FS优化子集功能,提高模型性能,帮助减少患者所需的测试数量,从而加快诊断速度。本研究显示了三个特征选择(FS)技术预应用于分类器算法,逻辑回归,对非侵入性测试结果数据的结果。这三种特征选择方法分别是方差分析(ANOVA)方法、最小绝对收缩选择算子(LASSO)方法和序列特征选择(SFS)方法。结果表明,FS技术可以帮助建立一个高效和有效的分类器,从而提高分类器的性能,同时减少计算时间。
2022-06-08 cs.LG
Parkinson's Disease Diagnosis Through Deep Learning: A Novel LSTM-Based Approach for Freezing of Gait Detection
Jamia Millia Islamia(贾米亚·米利亚·伊斯兰亚大学)
本研究针对帕金森病早期自动诊断难题,提出基于LSTM的新型深度学习架构,利用VGRF步态信号数据集检测步态冻结,无需手动特征工程,多项性能指标优于现有模型,可为帕金森病检测提供有效辅助。
2024-12-09 cs.AI cs.CV
Analysis of voice recordings features for Classification of Parkinson's Disease
Universidade da Coruña, CITIC Campus de Elviña(圣地亚哥·德·孔波斯特拉大学,CITIC埃尔维尼亚校区)
本文利用机器学习与特征选择方法对帕金森病进行语音记录特征分析,以提高诊断准确性并减少特征数量。
2026-01-14 cs.LG
Assessing the Reproducibility of Machine-learning-based Biomarker Discovery in Parkinson's Disease
Memorial University of Newfoundland(纽芬兰纪念大学)
针对GWAS技术差异影响生物标志物可重复性的问题,研究通过整合五个数据集评估机器学习策略,发现一致性虽低,但筛选出50个潜在新型帕金森病SNP标志物。
2023-04-06 cs.LG q-bio.GN
GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease
Stanford University(斯坦福大学)
提出异质超图融合框架GAMMA-PD,整合影像与非影像临床数据并结合特征注意力,以提升帕金森病运动障碍预测及临床可解释性。
2024-10-01 cs.AI cs.LG eess.IV
Early Recognition of Parkinson's Disease Through Acoustic Analysis and Machine Learning
Southern Methodist University(南卫理公会大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
本文综述了基于语音数据与机器学习的帕金森病早期识别方法,探讨了数据整理流程及多种分类算法的性能,发现特定声学特征结合先进技术能有效区分患者与健康人群。
2024-07-22 cs.LG cs.NA math.NA
An experimental study for early diagnosing Parkinson's disease using machine learning
City University(城市大学);East West University(东西大学)
本研究使用机器学习技术基于临床、语音和运动特征实现帕金森病早期检测自动化,在130名个体的数据集上应用MinMax Scaler、LOF和SMOTE处理数据,最终在分类PD与RBD患者时达到100%准确率,PD与HC个体达到92%准确率。
2023-10-20 cs.AI cs.LG
Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones
University of Rochester(罗切斯特大学)
本文提出利用 Transformer 注意力机制分析 mPower 数据集中 487 名帕金森病患者的智能手机时间序列记录,实现三种用药状态的个性化远程预测,AUC 最高达 0.976。
2023-05-30 cs.AI cs.LG
An Improved Approach for Prediction of Parkinson's Disease using Machine Learning Techniques
Indian Institute of Technology Bhubaneswar(布巴内斯瓦尔印度理工学院);G.G Vishwavidyalaya, Central University(G.G大学(中央大学))
帕金森病(Parkinson's disease,PD)是世界性的重大公共卫生问题之一。众所周知,在美国约有一百万人患有帕金森病,而全世界患有帕金森病的人数约为500万。因此,在早期阶段预测帕金森病是很重要的,这样就可以制定必要治疗的早期计划。人们大多熟悉帕金森病的运动症状,然而,越来越多的研究正在进行,以预测运动症状之前的非运动症状帕金森病。如果能够进行早期和可靠的预测,那么患者就可以在正确的时间得到适当的治疗。非运动症状包括快速眼动(REM)、睡眠行为障碍(RBD)和嗅觉丧失。开发可以帮助我们预测疾病的机器学习模型可以在早期预测中发挥至关重要的作用。在本文中,我们扩展了一项工作,使用非运动功能,如RBD和嗅觉损失。除此之外,这项扩展工作还使用了重要的生物标志物。在本文中,我们尝试使用以前没有使用过的不同机器学习模型来建模这个分类器。我们使用多层感知器,贝叶斯网络,随机森林和Boosted Logistic回归开发了自动诊断模型。已经观察到,Boosted Logistic回归提供了最好的性能,具有97.159%的令人印象深刻的准确性,ROC曲线下面积为98.9%。因此,可以得出结论,这些模型可以用于帕金森病的早期预测。
2016-10-26 cs.LG
Advancing Parkinson's Disease Progression Prediction: Comparing Long Short-Term Memory Networks and Kolmogorov-Arnold Networks
IIIT Naya Raipur(奈拉普尔印度信息技术学院)
本研究比较LSTM与KAN在帕金森病进展预测中的表现,发现KAN凭借样条动态学习能力优于其他方法,为AI辅助PD临床预测提供了新思路。
2024-12-30 cs.AI cs.LG
PhoneMD: Learning to Diagnose Parkinson's Disease from Smartphone Data
Institute of Robotics and Intelligent Systems(机器人与智能系统研究所);ETH Zurich(苏黎世联邦理工学院)
帕金森氏病是一种神经退行性疾病,可以影响一个人的运动,言语,灵巧和认知。临床医生主要通过对症状进行临床评估来诊断帕金森病。然而,误诊是常见的。导致误诊的一个因素是,在进行临床评估时,帕金森病的症状可能并不突出。在这里,我们提出了一种机器学习方法,使用基于智能手机的步行,语音,敲击和记忆测试的长期数据来区分患有和没有帕金森病的人。我们证明了我们的专注深度学习模型在来自1853名参与者的队列数据中的强基线(接收器操作特征曲线下的面积= 0.85)上实现了预测性能的显着改善。我们还表明,我们的模型可以识别输入数据中有意义的特征。我们的研究结果证实,在很长一段时间内收集的智能手机数据在未来可能被用作诊断帕金森病的数字生物标志物。
2018-11-14 cs.LG q-bio.NC
GEPD:GAN-Enhanced Generalizable Model for EEG-Based Detection of Parkinson's Disease
Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education,East China University of Science and Technology, Shanghai, China(能源化学过程智能制造重点实验室,教育部,东华大学,上海,中国);Shanxi Police College, Taiyuan, Shanxi, China(山西警察学院,山西,中国);Intelligent Policing Key Laboratory of Sichuan Province, Sichuan Police College, Luzhou, Sichuan, China(四川省智能警务重点实验室,四川警察学院,泸州,四川,中国)
针对脑电图跨数据集帕金森病检测中模型泛化性不足、数据集规模小的问题,提出GAN增强的GEPD模型,通过生成融合脑电图数据并优化分类网络,在跨数据集场景下实现准确率84.3%、F1值84.0%的性能,提升了模型泛化能力。
2025-08-12 cs.AI cs.LG
Deep Echo State Networks for Diagnosis of Parkinson's Disease
Department of Computer Science University of Pisa(比萨大学计算机科学系(更准确的常见译法))
在本文中,我们介绍了一种新的方法,用于诊断帕金森病(PD)的基础上深回声状态网络(ESN)。通过分析在绘制螺旋测试草图期间从平板设备收集的整个时间序列来执行PD的识别,而不需要特征提取和数据预处理。我们在一个公共的螺旋测试数据集上评估了所提出的方法。实验分析结果表明,DeepESN的性能明显优于浅层ESN模型。总体而言,所提出的方法获得了国家的最先进的结果,在这种时间数据的PD识别。
2018-02-19 cs.LG
A Multivariate Biomarker for Parkinson's Disease
Pace University(佩斯大学)
在这项研究中,我们进行了基因组分析,目的是选择一组基因(可能很小),这将有助于检测和分类帕金森病患者的样本。我们进行了完整的数据分析,并在探索阶段,我们选择了差异表达基因的列表。尽管它们与疾病状态有关,但我们不能将它们用作生物标志物工具。因此,我们的研究扩展到包括多变量分析方法,从而鉴定和选择一组20个基因,这些基因即使在存在其他神经退行性疾病的情况下也显示出检测和正确分类帕金森病样本的明显潜力。
2015-05-15 cs.LG
Using AI to Measure Parkinson's Disease Severity at Home
University of Rochester(罗切斯特大学);University of Rochester Medical Center(罗切斯特大学医学中心)
本文提出基于网络摄像头手指敲击视频与机器学习的居家帕金森病运动严重程度评估方法,在250名全球参与者数据上达到接近专家、优于认证评分员的表现。
2023-08-17 cs.AI cs.LG
The use of vocal biomarkers in the detection of Parkinson's disease: a robust statistical performance comparison of classic machine learning models
Universidade Regional do Cariri(卡拉里地区大学);Universidade Federal Rural de Pernambuco(佩纳尔布科州立大学);Futuo-Tech(富图科技);Universidade Federal do Cariri(卡拉里州立大学)
本研究通过比较经典机器学习模型与深度神经网络在语音生物标记物检测帕金森病中的性能,证实DNN在准确性和效率上的优势。
2025-11-20 cs.AI cs.LG
Parkinson's Disease Diagnosis Using Deep Learning
帕金森病(PD)是一种慢性退行性疾病,其导致一系列运动和认知症状。PD诊断是一项具有挑战性的任务,因为其症状与其他疾病非常相似,如正常衰老和原发性震颤。许多研究已被用于诊断这种疾病。该项目旨在使用深度学习、递归神经网络(RNN)和卷积神经网络(CNN)自动化PD诊断过程,以区分健康和PD患者。此外,由于不同的数据集可能会捕捉到这种疾病的不同方面,因此该项目旨在通过分析不同的成像和运动数据集(特别是立方体和螺旋五边形数据集)来探索哪种PD测试在区分过程中更有效。此外,该项目还评估了哪种数据集类型(成像或时间序列)在诊断PD方面更有效。
2021-01-03 cs.LG eess.IV
Deep Learning Predicts Prevalent and Incident Parkinson's Disease From UK Biobank Fundus Imaging
University of Florida(佛罗里达大学);Herbert Wertheim College of Engineering(赫伯特·沃特海姆工程学院)
本研究利用深度学习技术分析 UK Biobank 眼底成像,在症状出现前预测患病与发病的帕金森病,AUC 达 0.77,并通过视觉归因图和鲁棒性指标增强模型的可解释性。
2024-02-18 cs.CV cs.LG eess.IV
Deep Learning Based Early Diagnostics of Parkinsons Disease
Azerbaijan State Oil and Industry University(阿塞拜疆石油与工业大学);Istanbul University Cerrahpasa Faculty of Medicine Hospital(伊斯坦布尔大学切拉帕萨医学院附属医院)
在世界范围内,大约有700万至1000万老年人患有帕金森病(PD)。帕金森病是一种常见的神经系统退行性疾病,其临床特征是震颤、强直、运动迟缓和自主性下降。其临床表现与多系统萎缩(MSA)疾病非常相似。研究表明,帕金森病患者在确诊时往往会达到无法挽回的境地,所以随着帕金森病能够与MSA疾病区分开来并得到早期诊断,人们也在不断探索新的方法。随着大数据时代的到来,深度学习在图像识别和分类方面取得了重大突破。因此,本研究提出用The深度学习方法实现对帕金森病、多系统萎缩、健康人群的诊断。此数据来源于伊斯坦布尔大学Cerrahpasa医学院医院。原始磁共振图像(MRI)的处理由伊斯坦布尔大学Cerrahpasa医学院医院的医生指导。本实验的重点是对现有的神经网络进行改进,使其在医学图像识别和诊断中取得较好的效果。根据帕金森病的病理特征提出了一种改进算法,通过模型损失和准确率等指标的比较,取得了较好的实验结果。
2020-08-04 cs.CV cs.LG cs.PL
Machine Learning for Real-Time, Automatic, and Early Diagnosis of Parkinson's Disease by Extracting Signs of Micrographia from Handwriting Images
Exeter(埃克塞特)
帕金森病(PD)是一种使人衰弱的、进行性的疾病,临床上以运动症状为特征。作为世界上第二大最常见的神经退行性疾病,它影响着全球1000多万人的生命。现有的诊断方法有其局限性,例如看医生的费用和自动早期检测的挑战,考虑到患者和健康个体的行为差异在早期阶段通常无法区分。然而,在PD的早期阶段,通常会观察到书写障碍,即导致异常小的笔迹、震颤、肌张力障碍以及手和手指的缓慢运动的书写障碍。在这项工作中,我们应用机器学习技术从两个开源数据集收集的绘图样本中提取显微摄影的迹象,并实现了94%的预测准确率。这项工作还为一个公开可用且用户友好的门户网站奠定了基础,任何人都可以使用笔,打印机和电话进行早期PD检测。
2021-11-24 cs.AI cs.LG eess.IV
Interpretable Early Detection of Parkinson's Disease through Speech Analysis
Department of Computer Science, University of Pisa(比萨大学计算机科学系);School of Public Health, Yale University(耶鲁大学公共卫生学院);Department of Computer Science, University of Bari(巴里大学计算机科学系)
提出一种可解释的深度学习语音分析方法,用于帕金森病早期检测,突出关键语音片段并关联发音特征,在意大利数据集上达到竞争性性能。
2025-04-24 cs.LG
Analysis, Identification and Prediction of Parkinson Disease Sub-Types and Progression through Machine Learning
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出新型机器学习框架,结合监督与无监督学习,利用临床和神经学综合数据识别帕金森病亚型并预测进展,从而支持个性化治疗与精准医学。
2024-06-10 cs.LG
Surface EMG Profiling in Parkinson's Disease: Advancing Severity Assessment with GCN-SVM
Gdańsk University of Technology(格但斯克理工大学);Medical University of Gdańsk(格但斯克医科大学);IDEAS NCBR
本研究利用肱二头肌表面肌电信号客观评估帕金森病严重程度,提出GCN-SVM模型将分类准确率从传统SVM的83%提升至92%,为临床评估提供了新方法。
2025-07-04 cs.AI cs.LG eess.SP
Multimodal Indoor Localisation for Measuring Mobility in Parkinson's Disease using Transformers
University of Bristol(布里斯托大学)
帕金森病(PD)是一种以运动症状为主要特征的缓慢进行性衰弱性神经退行性疾病。室内定位,包括房间到房间转换的数量和速度,提供了一个代表移动性的代理结果,可以用作数字生物标志物,以量化移动性如何随着疾病的进展而变化。我们使用从10名帕金森氏症患者和10名对照组中收集的数据,每个人都在带有各种传感器的灵巧家庭中生活了五天。为了更有效地将它们定位在室内,我们提出了一种基于变换器的方法,该方法利用两种数据模态,即来自可穿戴设备的接收信号强度指示器(RSSI)和加速度计数据,这些数据提供了运动的互补视图。我们的方法通过a)在不同尺度和水平上学习时间相关性,以及b)利用各种门控机制来选择模态内的相关特征并抑制不必要的模态,来实现非对称和动态相关性。在真实患者的数据集上,我们证明了我们提出的方法的平均准确率为89.9%,优于竞争对手。我们还表明,我们的模型能够更好地预测帕金森氏症患者的家庭移动性,平均偏移1.13秒。
2022-05-12 cs.LG
Drug Repurposing for Parkinson's Disease Using Random Walk With Restart Algorithm and the Parkinson's Disease Ontology Database
K. J. Somaiya Institute of Technology(K. J. 索迈亚理工学院);Mumbai University(孟买大学)
本研究设计了一个整合基因表达数据、生物网络和PDOD数据库的计算平台,利用RWR算法和PDOD评分系统评估药物重定位机会,为帕金森病治疗识别出有潜力的候选药物。
2024-04-11 cs.LG q-bio.BM q-bio.QM
A Unified Deep Learning Approach for Prediction of Parkinson's Disease
University of Lincoln(林肯大学);National Technical University of Athens(雅典国立技术大学)
本文提出了一种基于深度学习的新方法,用于通过医学成像诊断帕金森病。该方法包括分析和使用深度卷积和递归神经网络(DNN)在使用医学图像(如磁共振图像和DaTscan)进行训练时提取的知识。经训练的DNN的内部表示构成提取的知识,该提取的知识以迁移学习和领域自适应的方式使用,以便创建用于跨不同医学环境预测帕金森病的统一框架。一个大型的实验研究,说明所提出的方法,有效地预测帕金森氏症的能力,使用不同的医学图像集从真实的环境。
2019-11-25 cs.LG eess.SP stat.ML
Synthetic Data Generation Techniques for Developing AI-based Speech Assessments for Parkinson's Disease (A Comparative Study)
针对帕金森病AI语音评估训练数据不足的问题,本文比较基于深度学习的合成语音数据生成技术,以提升核心机器学习分类器的准确率。
2023-12-04 cs.AI cs.LG cs.SD
PointExplainer: Towards Transparent Parkinson's Disease Diagnosis
Department of Mathematics: Analysis, Logic and Discrete Mathematics, Ghent University(根特大学数学系);Department of Software Science, Faculty of Information Technologies, Tallinn University of Technology(塔林理工大学软件科学系);Institute of Sport Sciences and Physiotherapy, University of Tartu(塔尔图大学体育科学与理疗研究所);School of Natural Sciences and Health, Tallinn University(塔林大学自然科学与健康学院);School of Mathematical Sciences, Queen Mary University of London(伦敦大学玛丽女王学院数学科学学院)
PointExplainer通过将手绘信号编码为3D点云并训练可解释代理模型,为帕金森病诊断提供忠实、直观的区域级解释,且不损失诊断性能。
2025-05-04 cs.AI cs.CV cs.LG
Topological Descriptors for Parkinson's Disease Classification and Regression Analysis
Edson College of Nursing and Health Innovation, Arizona State University(亚利桑那州立大学埃德森护理与健康创新学院);School of Arts, Media and Engineering, Arizona State University(亚利桑那州立大学艺术、媒体与工程学院)
目前,绝大多数患有神经系统疾病的人类受试者仍然通过亲自评估和对患者数据的定性分析来诊断。在本文中,我们建议使用拓扑数据分析(TDA)与机器学习工具,自动化的过程中,帕金森病的分类和严重程度评估。一种自动化、稳定和准确的方法来评估帕金森氏症,对于简化患者的诊断和为家庭提供更多的时间采取纠正措施具有重要意义。我们提出了一种方法,将TDA到分析帕金森氏病的姿势变化数据,通过持久性图像的表示。研究系统的拓扑结构已被证明对数据的微小变化是不变的,并且已被证明在判别任务中表现良好。该文件的贡献是双重的。我们提出了一种方法来1)将健康患者与受疾病折磨的患者分类,2)诊断疾病的严重程度。我们探讨了使用所提出的方法在应用程序中,涉及帕金森氏病数据集组成的健康老年人,健康年轻人和帕金森氏病患者。我们的代码可在https://github.com/itsmeafra/Sublevel-Set-TDA上获得。
2020-05-06 cs.LG eess.IV q-bio.QM
Transformers for 1D Signals in Parkinson's Disease Detection from Gait
Polytechnique Montréal(蒙特利尔综合理工学院);TÉLUQ University(魁北克大学远程教学大学)
本文主要研究基于对患者步态的分析来检测帕金森病。Transformer网络在自然语言处理和图像识别领域的日益普及和成功促使我们开发了一种基于Transformers自动特征提取的新方法。Transformers在1D信号中的使用还不是很普遍,但本文证明了它们在从1D信号中提取相关特征方面是有效的。由于Transformers需要大量的内存,我们解耦的时间和空间信息,使模型更小。我们的架构使用时间Transformers,降维层,以减少数据的维度,一个空间Transformer,两个完全连接的层和一个输出层的最终预测。我们的模型优于当前最先进的算法,在Physionet数据集上区分帕金森病患者和健康患者的准确率为95.2%。从这项工作中获得的一个关键经验是,Transformers允许结果具有更大的稳定性。源代码和预训练模型在https://github.com/DucMinhDimitriNguyen/Transformers-for-1D-signals-in-Parkinson-s-disease-detection-from-gait.git中发布
2022-04-01 cs.LG
Parkinson's Disease Detection Using Ensemble Architecture from MR Images
University of Alberta(阿尔伯塔大学)
帕金森病(PD)是影响60岁以上人群的主要神经系统疾病之一。PD会导致认知障碍。在这项工作中,我们探索各种方法来识别帕金森氏症使用磁共振(MR)T1图像的大脑。我们结合ImageNet大规模视觉识别挑战赛(ILSVRC)的一些获奖卷积神经网络模型进行了集成架构的实验,并提出了两种架构。我们发现,当我们专注于灰质(GM)和白质(WM)区域的MR图像,而不是使用整个MR图像的检测精度急剧增加。我们实现了94.7%的平均精度使用平滑的GM和WM提取和我们提出的架构之一。我们还执行遮挡分析,并确定哪些大脑区域在架构决策过程中是相关的。
2020-07-01 cs.LG eess.IV
An Explainable Machine Learning Model for Early Detection of Parkinson's Disease using LIME on DaTscan Imagery
CMR Institute of Technology(CMR理工学院)
帕金森病(PD)是一种退行性和进行性神经系统疾病。早期诊断可以改善患者的治疗,并通过多巴胺能成像技术如SPECT DaTscan进行。在这项研究中,我们提出了一个机器学习模型,该模型可以准确地将任何给定的DaTscan分类为患有帕金森病或没有帕金森病,此外还提供了一个合理的预测原因。这种推理是通过使用本地可解释模型不可知解释器(LIME)方法生成的视觉指示器来完成的。DaTscans来自帕金森病进展标志物倡议数据库,并使用迁移学习在CNN(VGG 16)上进行训练,准确率为95.2%,灵敏度为97.5%,特异性为90.9%。保持模型的可解释性至关重要,特别是在医疗保健领域,本研究利用LIME解释区分PD与非PD,使用DaTscan上的视觉超像素。可以得出结论,该系统结合其测量的可解释性和准确性,可以有效地帮助医务工作者在帕金森病的早期诊断。
2020-08-01 cs.CV cs.LG eess.IV
An improved sex specific and age dependent classification model for Parkinson's diagnosis using handwriting measurement
准确的诊断对于预防帕金森病的进展以及改善帕金森病患者的生活质量至关重要。在本文中,我们开发了一种基于性别和年龄的分类方法,利用帕金森病患者的在线手写记录来诊断帕金森病(n=37;m/f-19/18;年龄-69.3 ± 10.9岁)和健康对照组(n=38;m/f = 20/18;年龄= 62.4 ± 11.3岁)。与广义分类器的75.76%(SD=1.17)准确率相比,观察到女性特定分类器的准确率为83.75%(SD+1.63),老年依赖分类器的准确率为79.55%(SD =1.58)。最后,结合年龄和性别信息被证明是令人鼓舞的分类。我们进行了严格的分析,以观察帕金森病检测的性别特异性和年龄依赖性特征的优势,并使用支持向量机(SVM)排名方法对它们进行排名。在不同类别的分类中,观察到不同的特征集对于更高的分类精度是占主导地位的。
2019-12-30 cs.LG eess.SP q-bio.NC
Predicting Parkinson's Disease using Latent Information extracted from Deep Neural Networks
IBM Hellas(IBM希腊公司);National Technical University of Athens(雅典国立技术大学);University of Lincoln(林肯大学)
本文提出了一种新的神经退行性疾病(如帕金森病)的医学诊断方法,通过从训练的深度卷积或卷积递归神经网络(DNN)中提取和使用潜在信息。特别地,我们的方法采用深度神经网络学习表示的迁移学习、k均值聚类和k最近邻分类的组合,以基于MRI和/或DaT扫描数据提供对疾病的丰富预测。引入新的损失函数并将其用于DNN的训练,以便在来自不同医学环境的数据之间执行所生成的学习表示的适配。使用最近发表的帕金森氏症相关信息的数据库,这是在医院环境中产生和评估的结果。
2019-01-23 cs.LG eess.IV stat.ML
Reducing a complex two-sided smartwatch examination for Parkinson's Disease to an efficient one-sided examination preserving machine learning accuracy
University of Münster(明斯特大学);Klinikum Osnabrück(奥斯纳布吕克医院)
近年来,来自智能消费设备的传感器已被证明具有很高的潜力,可作为识别运动障碍的数字生物标志物。随着广泛使用的智能手表的使用,我们记录了参与者在一项研究帕金森病(PD)的前瞻性研究中进行基于技术的评估。总共有504名参与者,包括PD患者,鉴别诊断(DD)和健康对照(HC),使用两个智能手表和两个智能手机的综合系统捕获。据我们所知,这项研究提供了双手同步智能手表测量的最大PD样本量。为了在PD筛查中建立一个未来易于使用的家庭评估系统,我们系统地评估了该系统的性能,该系统基于一组显著减少的评估,仅采用单侧测量,并评估了我们是否可以保持分类准确性。
2022-05-11 cs.LG
Pose-based Tremor Classification for Parkinson's Disease Diagnosis from Video
Durham University(杜伦大学)
帕金森病(PD)是一种进行性神经退行性疾病,其导致多种运动功能障碍症状,包括震颤、运动迟缓、僵硬和姿势不稳定。PD的诊断主要依赖于临床经验,而不是明确的医学检查,诊断准确率仅为73-84%,因为它受到不同医学专家的主观意见或经验的挑战。因此,一个有效的和可解释的自动PD诊断系统是有价值的支持临床医生更强大的诊断决策。为此,我们建议将帕金森氏震颤分类,因为它是PD最主要的症状之一,具有很强的概括性。不同于其他依赖于可穿戴传感器的计算机辅助时间和资源消耗的帕金森氏震颤(PT)分类系统,我们提出了SPAPNet,它只需要消费级的非侵入性视频记录面向摄像头的人体运动作为输入,为未确诊的患者提供低成本的PT分类结果作为PD警告信号。我们首次提出使用一种新型的注意力模块和一种轻量级的金字塔通道压缩融合架构来提取相关的PT信息并有效地过滤噪声。这种设计有助于提高分类性能和系统的可解释性。实验结果表明,我们的系统优于国家的最先进的实现平衡的准确率为90.9%和90.6%的F1分数在分类PT与非PT类。
2022-07-14 cs.CV cs.LG
Subgroup discovery of Parkinson's Disease by utilizing a multi-modal smart device system
University of Münster(明斯特大学);Klinikum Osnabrück(奥斯纳布吕克医院)
近年来,来自智能消费设备的传感器在运动障碍方面显示出巨大的诊断潜力。在这种情况下,电子问卷、手部运动和语音捕获等数据模式已成功捕获生物标志物,并允许区分帕金森病(PD)和健康对照(HC)或鉴别诊断(DD)。然而,据我们所知,仍然缺乏对多模式智能设备系统的评估进行全面评价。在一项探索PD的前瞻性研究中,我们使用智能手表和智能手机收集了504名参与者的多模态数据,包括PD患者,DD和HC。本研究旨在评估多模态与单模态数据对PD与HC和PD与DD分类的影响,以及对用于亚组识别的PD组聚类的影响。我们能够证明,通过结合各种模式,分类准确性提高,并发现了进一步的PD集群。
2022-05-12 cs.LG
Automated Parkinson's Disease Detection and Affective Analysis from Emotional EEG Signals
University of Canberra(堪培拉大学);Kuwait College of Science and Technology(科威特科技学院)
虽然帕金森病(PD)的典型特征是运动障碍,但有证据表明PD患者的情绪感知减弱。本研究探讨了情感脑电图(EEG)信号的效用,以了解PD与健康对照(HC)之间的情感差异,并用于自动PD检测。采用传统的机器学习和深度学习方法,我们探索了(a)维度和类别的情绪识别,以及(b)情绪EEG信号的PD与HC分类。我们的研究结果表明,PD患者理解唤醒比效价,和情绪类别中,\textit{fear},\textit{disgust}和\textit{surprise}不太准确,和\textit{sadness}最准确。错误标记分析证实了相反效价的情绪与PD数据之间的混淆。情绪EEG反应也实现了近乎完美的PD与HC识别。{累积起来,我们的研究表明,(a)单独检查\textit{implicit}反应能够(i)发现PD患者中的效价相关损伤,以及(ii)区分PD和HC,以及(b)情绪EEG分析是相对于自我报告,专家评估和静息状态分析的PD诊断的生态有效,有效,简便和可持续的工具。}
2022-02-21 cs.AI cs.LG eess.SP
Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data
University of Rochester(罗切斯特大学)
帕金森病是一种神经系统疾病,在老年人中很常见。诊断这种疾病的传统方法依赖于对一组活动测试质量的亲自主观临床评估。如今,智能手机应用程序收集的高分辨率纵向活动数据使远程和方便的健康评估成为可能。然而,实验室外的测试通常受到质量控制不佳以及不规则收集的观察结果的影响,从而导致噪声测试结果。为了解决这些问题,我们提出了一种新的基于时间序列的方法来预测帕金森病与原始活动测试数据收集的智能手机在野外。该方法首先在统一的时间点将离散的活动测试转换为多模态特征。接下来,它通过两个注意力模块从模态和时间观测的噪声数据中提取和丰富局部和全局表示。通过所提出的机制,我们的模型能够处理噪声观测,同时提取精细的时间特征,以提高预测性能。在一个大型公共数据集上的定量和定性结果证明了所提出的方法的有效性。
2020-10-15 cs.LG eess.SP
Topological descriptors of foot clearance gait dynamics improve differential diagnosis of Parkinsonism
Centre of Mathematics (CMAT) School of Sciences University of Minho(数学中心(CMAT)科学学院矿产大学);Neurology Departmet Hospital da Senhora da Oliveira(神经科部门圣奥古斯丁医院);ICVS School of Medicine University of Minho(ICVS医学院矿产大学);Algoritmi Centre School of Engineering University of Minho(算法中心工程学院矿产大学);Centre of Mathematics (CMUP) University of Porto(数学中心(CMUP)波尔图大学);School and Economics and Management University of Porto(学校和经济管理波尔图大学)
利用拓扑数据分析和机器学习提高帕金森综合征的步态分析和鉴别诊断
2026-03-06 cs.LG stat.AP
Determining the severity of Parkinson's disease in patients using a multi task neural network
本研究提出一种基于深度学习的多任务方法,利用语音特征同时分类帕金森病严重程度并回归疾病进展,在严重程度分类上达到99.15%准确率,MSE为0.15,优于现有方案。
2024-02-08 cs.LG cs.SD eess.AS
Linear Prediction Residual for Efficient Diagnosis of Parkinson's Disease from Gait
Center for Computational Natural Sciences and Bioinformatics, IIIT Hyderabad(海得拉巴国际信息技术学院计算自然科学与生物信息学中心)
帕金森氏病(PD)是一种慢性进行性神经系统疾病,其导致僵硬、震颤和姿势不稳定。没有明确的医学测试来诊断PD,诊断主要是临床练习。虽然有指南,但大约10-30%的患者被误诊为PD。因此,需要一种准确、无偏见和快速的诊断方法。在这项研究中,我们提出了LPGNet,一种快速准确的方法来诊断PD步态。LPGNet使用线性预测残差(LPR)从步态记录中提取识别模式,然后使用具有深度可分离卷积的一维卷积神经网络进行诊断。LPGNet实现了AUC为0.91,与现有技术相比,加速了21倍,模型中的参数减少了约99%。我们还对文献中用于PD步态诊断的各种交叉验证策略进行了分析,发现大多数方法都受到各种褶皱之间某种形式的数据泄漏的影响,这导致了不必要的大模型和过度拟合导致的膨胀性能。本文的分析为今后正确评价这些方法的工作扫清了道路。
2021-07-09 cs.LG eess.IV
Machine learning for the diagnosis of Parkinson's disease: A systematic review
Université du Québec à Trois-Rivières (UQTR)(魁北克大学三河分校);École de technologie supérieure(高等技术学院);Centre de Recherche de l’Hôpital du Sacré-Coeur de Montréal(蒙特利尔圣心医院研究中心);Centre intégré universitaire de santé et de services sociaux du Nord-de-l’Île-de-Montréal (CIUSSS du Nord-de-l’Île-de-Montréal)(蒙特利尔岛北部综合大学健康与社会服务中心)
帕金森病(PD)的诊断通常基于医学观察和临床体征的评估,包括各种运动症状的表征。然而,传统的诊断方法可能会受到主观性的影响,因为它们依赖于对人眼有时很微妙的运动的评估,因此难以分类,从而导致可能的错误分类。与此同时,PD的早期非运动症状可能是轻微的,并且可以由许多其他条件引起。因此,这些症状往往被忽视,使PD的早期诊断具有挑战性。为了解决这些困难并改进PD的诊断和评估程序,已经实施了机器学习方法来对PD和健康对照或具有类似临床表现的患者(例如,运动障碍或其它帕金森综合征)。为了全面概述用于PD诊断和鉴别诊断的数据模式和机器学习方法,在本研究中,我们使用PubMed对截至2020年2月14日发表的研究进行了系统的文献综述和IEEE Xplore数据库。共纳入209项研究,提取相关信息并在本系统综述中列出,并调查其目的,数据来源,数据类型,机器学习方法和相关结果。这些研究表明,机器学习方法和新型生物标志物在临床决策中的适应性具有很高的潜力,从而导致PD的日益系统化,知情诊断。
2020-10-13 cs.LG stat.ML
Analysis and Evaluation of Handwriting in Patients with Parkinson's Disease Using kinematic, Geometrical, and Non-linear Features
University of Antioquia UdeA(安蒂奥基亚大学);Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
背景和目标:帕金森氏病是一种神经系统疾病,影响运动系统,产生缺乏协调,静止性震颤和僵硬。书写障碍是这种疾病的主要症状之一。笔迹分析可以帮助支持诊断和监测疾病的进展。本文旨在评估不同特征组对帕金森病所致手写缺陷建模的重要性;以及这些特征如何能够区分帕金森病患者和健康受试者。研究方法:基于运动学、几何学和非线性动力学分析的特征被评估以分类帕金森病和健康受试者。分类器的基础上,K-近邻,支持向量机,和随机森林被认为是。结果:在患者和健康对照者的分类中,获得了高达$93.1\%$的准确性。相关性分析的功能表明,那些与速度,加速度和压力是最有鉴别力的。疾病不同阶段患者的自动分类显示$κ$指数介于$0.36$和$0.44$之间。在仅用于验证目的的不同数据集中获得了高达$83.3\%$的准确度。结论:当我们考虑不同的健康受试者群体时,结果证实了衰老在分类过程中的负面影响。此外,使用单独的验证集报告的结果包括朝着开发自动化工具以支持临床实践中的诊断过程迈出的一步。
2020-02-13 cs.CY cs.LG stat.ML
Deep 1D-Convnet for accurate Parkinson disease detection and severity prediction from gait
Polytechnique Montreal(蒙特利尔理工学院);TÉLUQ University(魁北克大学远程教育与开放学习大学)
诊断帕金森病是一项复杂的任务,需要评估几种运动和非运动症状。在诊断过程中,步态异常是医生应该考虑的重要症状之一。然而,步态评估是具有挑战性的,依赖于临床医生的专业知识和主观性。在这种情况下,使用智能步态分析算法可以帮助医生,以促进诊断过程。提出了一种基于深度学习技术分析步态信息的新型智能帕金森检测系统。我们使用1D卷积神经网络(1D-Convnet)来构建深度神经网络(DNN)分类器。所提出的模型处理来自测量垂直地面反作用力(VGRF)的足部传感器的18个一维信号。网络的第一部分由18个对应于系统输入的并行1D-Convnet组成。第二部分是一个全连接网络,它连接1D-Convnets的级联输出以获得最终分类。我们测试了我们的算法在帕金森氏症的检测和预测的严重程度与统一帕金森氏症的疾病评定量表(APPRS)。我们的实验表明,该方法在帕金森病的步态数据的基础上检测的高效率。该算法实现了98.7%的准确率。据我们所知,这是帕金森步态识别的初始性能。此外,我们在帕金森病严重程度预测中的准确率为85.3%。据我们所知,这是第一个基于ARMRS进行严重性预测的算法。我们的研究结果表明,该模型能够从步态数据中学习内在特征,并推广到看不见的对象,这可能有助于临床诊断。
2020-05-16 cs.CV cs.LG eess.IV
PCA-RF: An Efficient Parkinson's Disease Prediction Model based on Random Forest Classification
Cloud Computing Research Center(云计算研究中心);National Sun Yat-sen University(国立中山大学);National Institute of Technology(国家理工学院)
在这个人口过剩的现代时代,疾病预测是早期诊断各种疾病的关键步骤。随着各种机器学习算法的进步,预测变得相当容易。然而,对于给定数据集的最佳机器学习技术的复杂性和选择极大地影响了模型的准确性。全球存在大量的数据集,但由于其非结构化格式,没有对其进行有效利用。因此,有很多不同的技术可以提取对现实世界有用的东西来实现。因此,准确性成为评估模型的主要指标。在本文中,提出了一种疾病预测方法,实现了一个随机森林分类帕金森氏病。我们比较了这个模型的准确性与主成分分析(PCA)应用人工神经网络(ANN)模型,并捕捉到了明显的差异。该模型保证了高达90%的准确性。
2022-03-21 cs.LG cs.NE
A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics
Ghent University(根特大学);Queen Mary University of London(伦敦玛丽女王大学);Tallinn University of Technology(塔林理工大学);University of Tartu(塔尔图大学);Tartu University Hospital(塔尔图大学医院);Tallinn University(塔林大学)
近年来,深度学习方法由于其在实际应用中的强大表现而在各个领域取得了巨大的成功。在本文中,我们提出了一个轻量级的神经网络帕金森病的诊断,在一系列的手绘数据收集,以区分帕金森病患者从健康对照组。该模型由卷积神经网络(CNN)级联到长短期记忆(LSTM),以适应收集的时间序列信号的特征。为了充分利用它们的优势,首先使用多层LSTM模型来丰富特征,然后将其与原始数据连接并馈送到浅一维(1D)CNN模型中以进行有效分类。实验结果表明,该模型在多个评价指标下,以更少的参数和操作实现了高质量的诊断结果,优于支持向量机(SVM)、随机森林(RF)、lightgbm(LGB)和基于CNN的方法等传统方法.
2023-02-02 cs.LG stat.ML
Comparison of user models based on GMM-UBM and i-vectors for speech, handwriting, and gait assessment of Parkinson's disease patients
Universidad de Antioquia UdeA(安蒂奥基亚大学)
帕金森病是一种神经退行性疾病,其特征在于存在不同的运动障碍。来自语音、手写和步态信号的信息被认为是评估患者的神经状态。另一方面,基于高斯混合模型的用户模型-通用背景模型(GMM-UBM)和i向量被认为是说话人验证等生物识别应用中的最新技术,因为它们能够对特定说话人特征进行建模。本研究介绍了使用GMM-UBM和i向量,以评估帕金森氏症患者的神经系统状态,使用语音,手写和步态的信息。结果表明,在评估患者的神经系统状态时,来自每种类型的信号的不同特征集的重要性。
2020-02-13 cs.LG cs.SD eess.AS
Interpretable Classification of Early Stage Parkinson's Disease from EEG
University of Bristol(布里斯托大学);Torbay Hospital(托贝医院)
本文提出将EEG表示为15变量频带功率与峰值频率序列,并用可解释Decision Tree和AdaBoost进行早期帕金森病分类,发现N1睡眠数据具有显著预测力且性能超过80%。
2023-12-08 cs.LG q-bio.NC
Does Language Matter for Early Detection of Parkinson's Disease from Speech?
McGill University(麦吉尔大学);Mila - Quebec Artificial Intelligence Institute(魁北克人工智能研究所);Concordia University(Concordia大学)
本文通过比较不同数据类型与预训练目标的模型,考察语言因素对基于语音的帕金森病早期检测的影响,揭示文本、多语言表示及 AudioSet 预训练在不同语音任务上的差异化作用。
2025-07-14 cs.LG eess.AS
Transfer Learning improves MI BCI models classification accuracy in Parkinson's disease patients
University of Trieste(的里雅斯特大学)
基于运动想象的脑-机接口(MI-BCI)神经康复可以改善帕金森病患者的运动能力,减轻其功能障碍症状。需要先进的运动成像BCI方法来克服这些患者的准确性和时间相关的MI BCI校准挑战。在这项研究中,我们提出了一个多会话FBCSP(msFBCSP)会话间迁移学习的基础上,我们研究了其性能相比,单会话的FBSCP。本研究的主要结果是,与单次FBCSP相比,在PD患者中,拟定的msFBCSP获得的准确性显著提高(分别为中位数81.3%,范围41.2-100.0% vs中位数61.1%,范围25.0- 100.0%; p<0.001)。总之,本研究提出了一种基于迁移学习的基于多会话的FBCSP方法,该方法可以显着提高对PD患者进行MI BCI的校准精度。
2020-10-29 cs.LG eess.SP
SAFE-D: A Spatiotemporal Detection Framework for Abnormal Driving Among Parkinson's Disease-like Drivers
Hong Kong JC STEM Lab of Smart City and Department of Computer Science, City University of Hong Kong(香港JC STEM实验室及城市大学计算机科学系);Department of Computer Science and Engineering, Hong Kong University of Science and Technology(香港理工大学计算机科学与工程系);Department of Electrical and Electronic Engineering, The University of Hong Kong(香港大学电子与电气工程系)
针对帕金森病导致的病理性驾驶异常,本文提出融合多车辆控制数据与注意力时空网络的 SAFE-D 框架,并在 CARLA 仿真中实现 96.8% 的平均检测准确率。
2025-10-20 cs.HC cs.LG
PD-ADSV: An Automated Diagnosing System Using Voice Signals and Hard Voting Ensemble Method for Parkinson's Disease
Semnan University(塞姆南大学);Amirkabir University of Technology (Tehran Polytechnic)(阿米尔卡比尔理工大学(德黑兰理工学院))
针对帕金森病传统诊断不准确、缓慢且可及性有限的问题,本文提出PD-ADSV系统,基于语音信号融合四个机器学习分类器并采用硬投票集成,以提升诊断准确率。
2023-04-11 cs.LG cs.SD eess.AS
Label-Efficient Bilateral Attention for Parkinson's Disease Screening from Wrist-Worn IMU Signals
Khulna University of Engineering & Technology(Khulna工程科技大学)
本文提出利用双通道自监督交叉注意力模型处理双侧腕部IMU信号,实现对帕金森病与健康对照组及鉴别诊断组的分类,取得高准确率,展示了在少量标注数据下迁移学习的有效性。
2026-08-11 cs.LG