跳到正文
原文
Scientific Reports· Poonam Yadav, Oluwasegun Julius Aroba, Meenu Vijarania 等 5 人

基于数字化螺旋绘图的帕金森病分类机器学习框架:基于马尔可夫的特征选择与集成评估

A machine learning framework for parkinson’s disease classification using digitized spiral drawings: markov-based feature selection and ensemble evaluation

AI 导读

用数字化螺旋绘图特征和堆叠集成分类帕金森病与健康对照,五折交叉验证准确率86.46%。

摘要 · AI 翻译

帕金森病(PD)是一种神经退行性疾病,与多巴胺能神经元的进行性退变相关,导致运动和非运动功能障碍。数字化螺旋绘图提供了一种评估运动异常的非侵入性手段,但人工评估可能主观且耗时。本研究提出了一个机器学习框架,利用从数字化螺旋绘图中提取的特征对PD患者和健康对照进行分类。六个空间特征和图像衍生特征使用Min–Max归一化进行缩放,并使用稳态马尔可夫链特征选择器进行排序,该选择器的转移矩阵将绝对特征相关性与基于变异性的权重相结合。分类使用由决策树、径向基函数支持向量机(RBF-SVM)和随机森林组成的堆叠集成完成,并以逻辑回归作为元学习器,在折外预测上进行训练。缩放、特征选择和堆叠均在训练折内拟合,而重复关联的文件被分配到同一划分组。在包含62个文件的开发集上,堆叠模型的五折交叉验证准确率为86.46 ± 17.17%,平衡准确率为84.23 ± 20.15%。折外汇总中的灵敏度为95.92%,而特异度为38.46%,意味着健康对照的识别数量很少。然而,在全部15个文件均被分类的留出集上,仅有2个对照,准确率的95% Wilson置信区间为79.6–100%。消融实验表明,堆叠并未优于单个RBF-SVM,基于马尔可夫的特征选择也未优于使用全部六个特征。结果证明了所提方法的可行性,但并未表明其诊断能力。需要更多独立收集的数据集来评估其泛化性。

中文由 AI 翻译,仅供参考,以原文为准。

来源:Scientific Reports · nature.com

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。