使用语音特征评估 Echo State Network 在帕金森病预测中的表现
机器学习
2024-01-30 v1 声音
音频与语音处理
摘要
帕金森病是一种使人衰弱的神经系统疾病，需要精确且早期的诊断以实现有效的患者护理。本研究旨在开发一种诊断模型，该模型既能实现高准确率，又能最小化假阴性，这是临床实践中的关键因素。鉴于训练数据有限，采用利用 ANOVA 的特征选择策略来识别最具信息量的特征。随后，采用并全面评估了多种机器学习方法，包括 Echo State Network (ESN)、Random Forest、k-nearest Neighbors、Support Vector Classifier、Extreme Gradient Boosting 和 Decision Tree。结果的统计分析突出了 ESN 的卓越性能，不仅展现出更高的准确率，而且在所有方法中假阴性率最低。统计数据一致表明，ESN 方法在 83% 的情况下始终保持低于 8% 的假阴性率。ESN 在诊断精度和最小化误分类之间取得微妙平衡的能力，使其成为 PD 诊断的典范选择，特别是在数据有限的场景中。这项研究标志着向更高效、更可靠的 PD 诊断迈出了重要一步，对改善患者预后和医疗动态具有潜在影响。
引用
@article{arxiv.2401.15672,
title = {Evaluating Echo State Network for Parkinson's Disease Prediction using Voice Features},
author = {Seyedeh Zahra Seyedi Hosseininian and Ahmadreza Tajari and Mohsen Ghalehnoie and Alireza Alfi},
journal= {arXiv preprint arXiv:2401.15672},
year = {2024}
}