基于运动特征提取与选择的帕金森病机器学习差别诊断
机器学习
2025-04-07 v1 人工智能
摘要
帕金森病（PD）是第二大常见的神经退行性疾病，由多巴胺神经元丢失和异常乙酮蛋白酶累积所特征。PD 表现出运动和非运动症状，逐渐影响日常功能。这些症状的严重程度通常通过 MDS-UPDRS 评估量表进行评估，该量表主观且依赖于医师的经验。此外，PD 与其他神经退行性疾病如进行性核偏旁症（PSP）和多系统萎缩症（MSA）共享症状，这增加了准确诊断的难度。为此，我们提出了一种基于机器学习的系统，用于 PD、PSP、MSA 和健康对照（HC）的差别诊断。该系统利用运动特征的分层特征提取与选择方法。首先提取 18 个运动特征，包括两个新提出的特征：拇指-拇指向量速度和加速度，这些特征提供了对运动控制模式的洞察。此外，还提取了每个运动特征的 41 个统计特征，其中包括一些新方法，如平均绝对变化、节奏、幅度、频率、频率标准差和斜率。采用单向方差分析（One-way ANOVA）对特征进行排序，然后采用顺序前向浮动选择（SFFS）识别最相关的特征，以减少计算复杂度。最终的特征集合用于分类，实现了每个数据集的 66.67% 分类准确率和每个患者的 88.89% 分类准确率，特别是在 MSA 和 HC 组使用支持向量机（SVM）算法时表现尤为出色。该系统在临床实践中显示出作为快速且准确诊断工具的潜力，尽管需要进一步的数据收集和优化以提高其可靠性。
引用
@article{arxiv.2501.02014,
title = {Machine Learning-Based Differential Diagnosis of Parkinson's Disease Using Kinematic Feature Extraction and Selection},
author = {Masahiro Matsumoto and Abu Saleh Musa Miah and Nobuyoshi Asai and Jungpil Shin},
journal= {arXiv preprint arXiv:2501.02014},
year = {2025}
}