一种用于高效帕金森病诊断的轻量级 CNN 模型
机器学习
2023-02-03 v1 机器学习
摘要
近年来，深度学习方法因其在实际应用中的强劲表现，在诸多领域取得了巨大成功。本文提出一种用于帕金森病诊断的轻量级神经网络，其中收集了一系列手绘数据以区分帕金森病患者与健康对照受试者。所提模型由卷积神经网络（CNN）级联至长短期记忆（LSTM）构成，以适应所采集时间序列信号的特征。为充分利用其优势，首先使用多层 LSTM 模型丰富特征，随后将其与原始数据拼接并输入浅层一维（1D）CNN 模型以进行高效分类。实验结果表明，所提模型在多个评价指标上以远少的参数量与运算量取得了高质量的诊断结果，优于支持向量机（SVM）、随机森林（RF）、lightgbm（LGB）及基于 CNN 的方法等常规方法。
引用
@article{arxiv.2302.00973,
title = {A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics},
author = {Xuechao Wang and Junqing Huang and Marianna Chatzakou and Kadri Medijainen and Pille Taba and Aaro Toomela and Sven Nomm and Michael Ruzhansky},
journal= {arXiv preprint arXiv:2302.00973},
year = {2023}
}