改进迁移学习在通过绘制图像模式识别帕金森病中的有效性探索
计算机视觉与模式识别
2025-10-07 v1
摘要
帕金森病（PD）是一种渐进性神经退行性疾病，由多巴胺神经元的死亡引起，导致各种运动障碍症状。PD的早期诊断对于防止不良后果至关重要，但传统诊断方法往往笨拙且昂贵。本研究提出了一种基于机器学习的方法，使用手绘螺旋图和波浪图作为PD检测的潜在生物标志物。我们的 methodology 利用卷积神经网络（CNN）、迁移学习和注意力机制以提高模型性能和抗过拟合能力。为增强螺旋和波浪类别的多样性和丰富性，训练数据集经过增广以增加图像数量。该 proposed 架构包含三个阶段：利用预训练 CNN、纳入自定义卷积层和集成投票。采用硬投票进一步通过聚合来自多个模型的预测来提高性能。实验结果显示有希望的准确率。对于螺旋图像，加权平均精确率、召回率和 F1 分数分别为 90%；对于波浪图像，分别为 96.67%。通过集成硬投票组合预测后，总体准确率为 93.3%。这些发现凸显了机器学习在PD早期诊断中的潜力，为改善患者预后提供了一种非侵入且具有成本效益的解决方案。
引用
@article{arxiv.2510.05015,
title = {Exploring the Efficacy of Modified Transfer Learning in Identifying Parkinson's Disease Through Drawn Image Patterns},
author = {Nabil Daiyan and Md Rakibul Haque},
journal= {arXiv preprint arXiv:2510.05015},
year = {2025}
}
备注
5 pages, 11 figures, published on 2024 2nd International Conference on Information and Communication Technology (ICICT 2024)