A Comparison of Classification Methods for Telediagnosis of Parkinson’s Disease

Ozkan, Haydar

doi:10.3390/e18040115

开放式访问第条

帕金森病远程诊断分类方法的比较

通过

海达尔·奥兹坎

^1,2

¹

美国加州大学洛杉矶分校电气工程系，加利福尼亚州90095

²

土耳其伊斯坦布尔34445 Fatih Sultan Mehmet Vak大学生物医学工程系

熵 2016,18(4), 115;https://doi.org/10.3390/e18040115

收到的提交文件：2016年2月14日/修订日期：2016年3月13日/接受日期：2016年3月24日/发布日期：2016年3月30日

（本文属于特刊计算复杂性)

下载

浏览地物

版本注释

摘要

:

帕金森氏病（PD）是一种进行性慢性神经系统疾病，会损害言语、步态和复杂肌肉和神经动作的能力。PD的早期诊断对缓解症状非常重要。经济高效且方便的远程医疗技术有助于通过发音困难、步态或运动技能的变化来区分PD患者和健康人。在本研究中，开发了一种新的远程医疗技术，利用发音困难特征远程检测PD。对人声特征进行了特征变换和几种机器学习（ML）方法，并进行了2、5和10倍交叉验证。观察到主成分分析（PCA）作为特征变换（FT）与k个-最近的邻居(k个-NN）作为一个具有10倍交叉验证的分类器，其最佳准确率为99.1%。所有ML过程都使用一个新创建的名为ParkDet 2.0的程序应用于预先记录的PD数据集。此外，在ParkDet上创建了盲测试界面，以便用户将来可以检测到新的PD患者。临床医生或医学技术人员，在不了解ML的情况下，将能够使用盲测试接口，利用互联网作为远程医疗应用程序，在诊所或远程位置检测PD。

关键词：

远程医疗;帕金森氏病;机器学习;特征变换;主成分分析;k个-最近的邻居

1.简介

新的电信技术越来越多地应用于医疗保健，从而带来更好的健康结果。远程医疗可以快速准确地检测某些疾病。计算机辅助诊断已变得普遍[1,2,三,4,5]. 毫升[6,7]远程医疗已经应用于包括心脏病在内的几个治疗领域的疾病诊断[8]，胸部疾病[9]，放射学[10]，病理学[11]、神经病学[12]，儿科[13]、皮肤科[14]和精神病学[15]. 此外，手机、图像传感器或基于谷歌眼镜的医疗设备也已用于远程医疗和护理点应用[16,17,18,19,20,21].

帕金森氏病是一种神经退行性疾病，对患者及其家人的生活有重大不利影响[22,23,24]. 早期准确诊断PD是有效治疗的关键，但遗憾的是，PD的诊断并不有效。基于计算机的智能系统可以检测PD症状。通过网络界面进行小波变换，用手持式计算机上的工效笔检测PD患者和健康参与者绘制的螺旋线之间的差异[25]. 通过测量同侧协调和时空步态模式并使用SVM，开发了PD的自动表征[26]. 使用带有自动步长检测组件和模板匹配算法的植物运动协调来分析PD患者[27].

小等。测量PD患者的发音困难[28]. 他们记录了每个病人平均六次的电话。一家工业声学公司生产的隔音听力室利用安装在头部的麦克风记录发音。使用计算机语音实验室，人类声音信号被记录在计算机上。在记录了发音之后，他们计算了现有的传统和非标准度量以及一些变化的熵。他们使用核SVM分类器区分健康人和PD患者。一些研究人员随后使用Little等。的数据集，并尝试改进其分类器的性能。巴塔查里亚等。使用数据挖掘工具Weka和SVM作为分类器[29]. Das尝试选择特征并应用了四种不同的分类器，包括神经网络、DMneural、回归和决策树[30]. 萨卡等。还应用了特征选择方法和SVM分类算法[31]. Ozcift使用线性SVM选择特征，然后应用IBk（ak个-最近邻变量）分类器[32]. Polat使用模糊c均值聚类特征加权（FCMFW）和k个-NN分类器[33]. Acevedo使用α-β双向联想记忆（ABBAM）方法区分PD患者和健康人[34]. 哥克选择了特征并使用了六种不同的分类器：贝叶斯网、线性SVM、径向基SVM、，k个-NN、多层感知器和K-Star[35].

在本研究中，Little生成的PD数据集等。与之前的研究相比，采用了不同的方法开发了一种检测PD的新方法。通过使用MATLAB图形用户界面（GUI）在程序上实现ML过程，创建了一个名为ParkDet 2.0的新程序。然后，使用ParkDet，应用不同的ML组合来提高分类器的准确性。本研究的主要目的是让临床医生或医学技术人员利用易于使用的ParkDet程序检测PD患者，而不要求他们使用复杂的工程程序，如MATLAB和自动检测方法。通过ParkDet程序，应用了多个ML过程组合，如PCA和因子分析（FA）作为FT，以及七个分类器，如支持向量机（SVM）、Boosting、，k个-NN、朴素贝叶斯（NB）、决策树（DT）、线性判别分析（LDA）和二次判别分析（QDA），具有2倍、5倍和10倍交叉验证以及额外的盲测试。结果令人鼓舞，因为分类的准确率达到99.1%，这是目前文献中报告的最高的分类方法。

2.材料和方法

2.1. 数据集

数据集包括来自31人的195个持续元音发声，其中23人被诊断为PD。31人中19人为男性，其余为女性。数据集包括195名参与者的发音，其中48名健康人和147名诊断为PD的人。参与者的头上安装了麦克风，并记录了他们的发音。每个候选人平均记录了六种发音。软件Prat 4.3.14[28,36]和Kay Pentax多维语音程序（MDVP），型号4337[28,37]用于计算传统度量。使用计算机语音实验室，语音信号被记录在计算机上。数据集具有22个维度特征，如表1及其简短的定义。患者年龄从46岁到85岁不等。年龄的平均值和标准差分别为65.8和9.8。该数据集是在牛津大学与美国科罗拉多州丹佛市国家语音中心合作录制的，并在UCI机器学习档案中在线共享[28].

小等。[28]对文献中现有的传统和非标准发声障碍测量方法进行了实际评估，此外，他们还测量了发声障碍的新变化。他们获得了发声的基音模式，并将其转换为对数半色调度量，然后建立了相对半色调变化生成的离散概率分布。然后他们计算了这个概率分布的熵。他们将这种新的变化称为音高周期熵（PPE）。

熵用于计算随机变量不确定性的量化X也就是说，熵量化了变量预测的难度。香农熵的数学表达式如下：

H（H） (X) = - \sum_{x个} [第页 (x个) 日志 (第页 (x个))]

(1)

哪里第页(x个)是概率分布函数所属X.概率分布的不均匀性第页由方程式（1）量化[38].

2.2. 使用创建的ParkDet 2.0的远程医疗应用程序

创建了一个名为ParkDet的新程序，将多个ML算法应用于预先记录的PD数据集。该程序的界面在MATLAB GUI中创建，并转换为用户友好的程序。界面由三个页面组成，分别称为“主菜单”、“所有数据应用程序”和“盲测试”。这些接口之间的关系如下所示图1。可以通过互联网或USB存储器访问预先记录的数据集，然后使用ParkDet应用ML过程来区分PD患者和健康人。ParkDet是通过将其安装在基于Windows的平板电脑上而被雇佣的。当程序运行时，可以看到主菜单界面(图2a），用户可以通过按钮切换到其他屏幕。

在主屏幕上有两个按钮，名为“所有数据应用程序”和“盲测试”。同时，用户可以使用所有数据应用程序和盲测试屏幕底部的“主菜单”按钮从其他屏幕返回主菜单屏幕。当用户按下主菜单界面上的“所有数据应用程序”按钮时，屏幕显示为图2b被看到。所有数据应用程序界面由两部分组成，分别称为“ML步骤”、“ML结果”以及“运行”和“主菜单”按钮。界面设计为流程图，便于用户友好使用。用户将能够从界面的顶部开始使用ParkDet，直至底部。在“ML步骤”部分，有四个子步骤应用ML过程：1。选择数据。2.特征变换方法。3.交叉验证的k倍数。4.分类器。

2.2.1. 特征转换

用户在平板电脑中选择预先记录的数据集，可以选择PCA或FA作为FT方法。FT有助于特征降维并创建新的预测特征。FT通过创建新的简化特征来对PD数据集进行实践，这些特征表示原始数据集的信息熵。主成分分析（PCA）是一种统计方法，用于将观测值的可能相关特征的变化转换为称为主成分的不相关特征。PCA的一个应用领域是减少变化以创建预测性新功能[39]. 因子分析是一种统计方法，是消除特征冗余的有用方法。FA将特征重新设计为潜在因素的线性组合[40].

2.2.2. 交叉验证

K折是在交叉验证中创建的。从原始样本中创建K个大小相等的子样本。在本研究中，可以使用ParkDet界面中的复选框选择2倍、5倍和10倍。使用k个子样本中的一个子样本创建测试数据，其余子样本构成训练数据。在每次重复k次交叉验证过程中，使用单个k个子样本作为测试数据。为了实现单一预测，对本研究中实现的分类器的所有折叠获得的k精度结果进行平均[41].

2.2.3. 分类算法

用户可以选择应用SVM、boosting、，k个-使用复选框将NN、NB、DT、LDA或QDA作为分类器。SVM定义的最大边缘超平面用于区分两类模式。边距是指平行于没有内部数据点的超平面的板的宽度[42]. 在本研究中，使用了径向基支持向量机。Boosting作为一种机器学习集成元算法，主要减少了偏差和方差，Boosting的目的是将弱学习者转化为强学习者[43]. 有许多升压算法。在本研究中，使用了自适应增压（AdaBoost）算法。这个k个-神经网络分类是最基本、最简单的分类方法之一，它可以找到一组k，即与测试对象最接近的最近邻对象的数量。最近邻数、标记对象数和计算k值与对象之间距离的相似性度量是获得高精度的重要参数k个-NN.编号。计算未标记对象和已标记对象之间的距离，以确定未标记对象的类别。在识别k个-最近的邻居，对象的类标签是通过使用k个-最近的邻居[44]. 基于贝叶斯定理的朴素贝叶斯分类器简单易实现，不包含迭代参数估计的复杂性，这使得它非常适合用于大规模数据集[45]. 决策树是机器学习中常用的决策分析和分类方法，它由一个根和多个节点组成，分支表示特征的连词，叶子表示类标签，决策树的元素构成一个树形的示意图表示。分类过程从树的根开始，一直到叶子节点[46]. 线性和二次判别分析获得一个超平面来分离两类。该方法基于数据的平均值和合并矩阵。所有变量都必须是正态分布。同时，对于所有组，矩阵的方差和协方差必须是齐次的，才能进行判别分析。QDA和LDA是类似的方法。然而，协方差矩阵的QDA必须针对每个类别进行不同的预测[47,48].

“ML结果”部分有两个子步骤。选中ML步骤的复选框后，如果用户按下“Run”（运行）按钮，所有分类器的准确度会立即显示在ML部分的Results（结果）的第一步。同时，如果用户选择所有分类器并单击“显示AUC”复选框，则可以在ML结果部分的第二步看到受试者工作特征（ROC）曲线（AUC）下的区域。为了绘制ROC曲线，使用不同阈值的真阳性率和假阳性率。利用ROC曲线下的面积，计算并绘制AUC值。AUC值被认为是分类算法性能比较的重要基准[49]. 所有过程完成后，用户可以关闭程序或按“主菜单”按钮返回主菜单。

2.2.4. 实验实施

使用ParkDet的“所有数据应用程序”界面，选择预先记录的数据集，并应用几个ML组合。选择了原始数据集（不含傅立叶变换、二次交叉验证和所有分类器），并运行了程序。保存结果的准确性，观察AUC以比较分类。重复该过程，为原始数据集选择5倍和10倍交叉验证，并保存所有分类器的准确性。

在这三个过程之后，将主成分分析应用于数据集并进行特征约简。用多元统计观察随机变量之间的关系。多变量数据矩阵X是随机变量的一组观测值。样本平均值k个变量如方程式（2）所示：

{\bar{x个}}_{k个} = \frac{1}{n个} \sum_{我 = 1}^{n个} {x个}_{我 k个}, k个 = 1, 2, \dots, 22

(2)

哪里，k个和n个分别是变化数和观察数。方差由等式（3）定义，协方差由等公式（4）计算：

σ_{k个}^{2} = \frac{1}{n个} \sum_{我 = 1}^{n个} {({x个}_{我 k个} - {\bar{x个}}_{k个})}^{2}, k个 = 1, 2, \dots, 22

(3)

{C类}_{我 k个 =} \frac{1}{n个} \sum_{j个 = 1}^{n个} ({x个}_{j个 我} - {\bar{x个}}_{我}) ({x个}_{j个 k个} - {\bar{x个}}_{k个}), 我 = 1, 2, \dots, 22, k个 = 1, 2, \dots, 22

(4)

图3显示前八个分量的总方差（而不是总的二十二个分量）为95.68%。

第一主成分（PC）的方差最大。使用主成分分析，22个特征现在减少了8个主成分。当使用新的简化特征时，由于总方差为95.68%，因此仅排除了4.32%的信息。通过主成分分析，可以很容易地将原始数据可视化。减少数据维度后，可以观察到数据的可视化表示。PC1的样本和变量比较与PC2、PC2与PC3、PC1与PC3和PC1与PC2公司与PC3如3D所示图4分别为a–d。

所有二十二个变量都由一个向量表示图4每个变量对两个或三个主成分的贡献可以通过矢量的方向和大小来查看。每一条蓝线代表标记的22个相应特征。该特征的重要性可以通过相关线的大小来观察。PC1负系数最大的最显著变量是与HNR相对应的第16个变量，因为变量的位置远离原点。第一变量MDVP Fo（Hz）是PC2的最显著特征，第十八特征DFA是PC3的最显著变量，具有最大的正系数。图4d作为3D图像，可以很好地比较重要变量。第一、第二、第三、第十六、第十七、第十九、第二十、第二十一、第二十二变量，如MDVP Fo（Hz）、MDVP Fhi（Hz。当从中的其他角度查看三维图形时图4d、第18个变量的DFA显然是一个重要特征。使用通过主成分分析获得的新预测特征，在ParkDet上分别选择具有2、5、10倍交叉验证的所有分类器。对于这三个新的过程，保存了分类器的所有精度，并分析了AUC以进行分类器的比较。

在对原始数据集和约简数据集进行主成分分析后，应用因子分析技术创建新的变换数据集。从PD数据集中提取了三个主要因素。数据集的协方差矩阵通过方程式（5）计算得出：

\sum^{​} = Λ Λ^{T型} + Ψ

(5)

哪里Λ是荷载矩阵，即系数，Ψ是具体方差。每列Λ是一个因素。估计的载荷和估计的具体方差用于分析变量。当观察到非旋转因子时，发现因子表示很难解释。然后旋转因子以找到表示问题的解决方案。因子旋转用于计算旋转因子坐标系中的新载荷，以适应因子轴上的变化。旋转因子后，通过绘制潜在因子（LF）观察拟合数据的视觉表示。在图5a–d LF1与LF2、LF2与LF3、LF1与LF3和LF1与LF2型与LF3显示为3D。

矢量线的大小和方向表示每个变量如何依赖于因子。特别是，可以观察到，第9、10、12、13、14个变量在LF1上有正的、第16个变量有负的载荷，第4、5、6、15个特征在LF2上有正载荷。第19、20、22名为正荷载，第1、3名为负荷载。Rest在原点附近。通过FA使用这些新的简化预测特征，将所有过程重复一次，并通过观察AUC来保存具有2倍、5倍和10倍交叉验证的分类器的所有准确度，以比较分类。

2.2.5. 盲测试实施

当用户按下主菜单界面上的盲人测试按钮时，图2将显示c。盲测试界面由“盲测试”和“盲测试结果”两部分组成，此外还有“运行”、“主菜单”和“保存结果”按钮。在盲测试部分，有两个按钮。使用第一个按钮，选择预定为最佳的训练数据。使用第二个按钮，选择测试数据。当用户按下“Run”（运行）按钮时，在“results of Blind Test”（盲检结果）部分中，可以看到10名患者的结果为阳性或阴性。对于超过10名患者的结果，用户必须按下“显示下一个结果”按钮。由于屏幕尺寸的原因，该表的设计仅限于显示10名患者。然而，用户可以处理十多名患者的数据，并将阳性或阴性结果保存为Excel工作表或记事本文件中的表格。

在所有数据应用部分中，确定了最佳训练数据。PCA和k个-具有10倍交叉验证的NN分类器获得了最佳精度。交叉验证创建了10个不同的折叠，并按顺序使用所有折叠作为测试数据集。据报道，他们获得的平均准确度为99.1%，是迄今为止文献中的最高准确度。对于10个不同的测试数据，检查了10个不同精度，并选择了观察到的最高精度，即100%。在精度最高的循环中，195个数据中的176个被保存并选择为最佳训练数据，195数据中的剩余19个被保存为测试数据。然后使用盲测试接口。分别使用按钮选择保存的最佳训练和测试数据，并运行程序。患者的结果被观察为阳性或阴性，准确率为100%，并保存为excel表格(图6b） ●●●●。使用上述具有最佳训练数据的盲测试界面，可以在未来检查PD患者的新候选人。

3.结果

使用创建的ParkDet程序的三个接口，应用了不同的ML组合。将所有具有2、5和10倍交叉验证的分类器应用于原始数据集，并使用PCA和FA顺序转换数据集。实现了九种不同的ML过程组合，并保存了所有分类器的所有精度。双重交叉验证允许50%的数据集用于训练，50%用于测试数据。原始数据集的2倍交叉验证精度（带有PCA和FA）可以在表2。除了SVM和k个-NN分类器。有了显著的改进k个-NN分类器。使用原始数据集时，准确率为82.58%，使用FA特征变换时为94.87%，使用PCA时为95.02%。

五重交叉验证允许80%的数据集用于训练，20%用于测试数据。具有5倍交叉验证的分类器的准确性可以在表3同样，除了SVM和k个-NN是最好的。与原始数据集和FA数据集相比，PCA数据集具有更高的准确率，达到96.72%。

10倍交叉验证允许使用90%的数据集进行训练，10%的测试数据集。具有10倍交叉验证的分类器的准确度可参见表4.利用主成分分析，本实验的最佳准确度为99.1%，k个-具有10倍交叉验证的NN分类器。

在本实验中，选择主成分分析、10倍交叉验证、所有分类器和“Show AUC”并运行程序。在“ML结果”部分的第一步可以观察到所有分类器结果，同时可以看到AUC图，以比较精度结果，如所示图6a.此外，为了查看2倍、5倍和10倍交叉验证结果之间的差异，创建了AUC，如所示图7a–c通过原始数据集使用所有分类器，分别使用PCA和FA简化数据集。

使用原始PD数据集时，分类器的准确度值小于90%(图7a） ●●●●。在使用FA和PCA进行特征约简后，可以观察到SVM和k个-NN显示出显著的改进。在特征减少后，boosting、NB、LDA和QDA的精度也略有提高，但最好的是k个-NN。此外，图7b、 c能够比较与PD数据集相关的FA和PCA特征约简方法。PCA提供了最佳的简化特征，FA也提供了良好的简化特征。它们的性能相似，但并不相同，因为它们彼此相关，但并不相同。

使用ML的最佳组合，创建了盲测试接口。使用主成分分析从实验中选择最佳训练数据和测试数据，k个-NN具有10倍交叉验证。报告的最佳准确度为99.1%，是10倍交叉验证结果的平均值。一些10倍的结果具有100%的准确性。选择其中一个，并将其训练和测试数据集保存为最佳数据集。使用盲测试界面，选择保存的训练和测试数据，并运行程序。如图所示，10名患者的结果为阳性或阴性图6b.共有19个测试数据，因此，通过按下“显示下一个结果”按钮观察9名患者的下一个测试结果，并通过按下“保存结果”将结果保存为具有100%准确度的excel表。

4.讨论

本研究中提出的方法的准确度与先前研究的准确度的比较见表5.很少等。[28]记录PD候选者的声音并使用核支持向量机，他们将PD患者与健康人区分开来，准确率为91.4%。利用他们的数据集，一些研究人员试图提高ML分类器的准确性。巴塔查里亚等。[29]和萨卡等。[31]使用了支持向量机，分别达到65.22%和92.75%的准确率，Das[30]使用神经网络实现了92.9%的准确率。Polat[33]尝试了一种新的方法，称为基于模糊c均值聚类的特征加权和Acevedo等。[34]尝试了一种alpha-beta双向联想记忆方法，他们的分类器准确率分别为97.93%和97.17%。Ozcift公司[32]应用IBk（ak个-最近邻变种）方法，达到96.93%和Gök[35]已使用k个-神经网络分类器，准确率达到98.46%。当与主成分分析一起使用10倍交叉验证时，本研究的准确度最高，达到99.1%。使用具有10倍交叉验证的FA特征约简技术，准确率达到98.32%。该准确度值也高于文献中的其他一些研究[28,29,30,31,32,33,34]. 此外，当使用PCA和k个-实现了神经网络，观察到95.02%的准确率优于一些研究[28,29,30,31]. 两倍交叉验证过程使用50%的培训和50%的测试数据。对于ML，使用50%的训练和50%的测试数据对特征进行分类比使用10倍交叉验证获得90%的训练和10%的测试数据更加困难。考虑到这种情况，本研究的结果优于文献中的研究。此外，通过易于使用的盲测试界面使用自动检测程序ParkDet，临床医生或医学技术人员可以在没有任何代码的情况下运行ML来区分PD患者和健康人。

5.结论

在本研究中，通过创建一个名为ParkDet 2.0的新程序，开发了一种用于PD自动检测的新型远程医疗技术。ParkDet计划的主要目标是让临床医生或医疗技术人员（不知道ML代码）轻松应用ML过程，使用预先录制的语音特征区分帕金森病患者和健康人。为了成为一个用户友好的程序，ParkDet被设计为一个流程图。用户按顺序从界面顶部到底部开始执行程序。使用ParkDet，将几个ML组合应用于预先录制的PD数据集。获得的最高准确度为99.1%。此外，通过盲测试界面，只要在诊所或远程位置使用互联网作为远程医疗应用程序记录数据，就可以在实时医疗检查期间将PD新患者与健康人区分开来。作为一个独特而新颖的应用程序，ParkDet是一个正在进行的项目，用于未来的改进和更新。可以添加两个新接口。其中之一可能会提供将患者的声音直接记录到平板电脑上。另一种方法可以处理回归方法，以不同的方式分析步态或运动技能变化。据认为，开发的PD自动检测技术和创建的远程医疗应用程序ParkDet将帮助临床医生诊断PD患者。

致谢

该数据集由牛津大学与美国科罗拉多州丹佛国家语音中心合作记录，并在UCI机器学习档案中在线共享

利益冲突

作者声明没有利益冲突。

参考文献

Calle-Alonso，F。；佩雷斯，C.J。；阿里亚斯·尼科拉斯，J.P。；计算机辅助诊断系统：贝叶斯混合分类方法。计算。方法生物识别程序。 2013,112, 104–113. [谷歌学者][交叉参考][公共医学]
D.S.伊丽莎白。；香港尼希米亚。；C.S.R.拉吉。；Kannan，A.基于胸部CT图像的重要切片分析的肺癌计算机辅助诊断。IET图像处理。 2012,6, 697–705. [谷歌学者][交叉参考]
Choi，W.J。；Choi，T.S.基于三维形状特征描述符的肺结节自动检测。计算。方法生物识别程序。 2014,113, 37–54. [谷歌学者][交叉参考][公共医学]
Tan，T。；Mordang，J.J。；van Zelst，J。；Grivegnée，A。；梅里达，A.G。；梅伦德斯，J.M。；曼恩·R。；张伟。；平板，B。；Karssemeijer，N.在自动化3D乳腺超声中使用Haar-like特征进行计算机辅助乳腺癌检测。医学物理。 2015,42, 1498–1504. [谷歌学者][交叉参考][公共医学]
Özkan，H.等人。；O.奥斯曼。；⑩ahin，S。；Boz，A.F.一种在CTA图像中检测肺栓塞的新方法。计算。方法生物识别程序。 2014,113, 757–766. [谷歌学者][交叉参考][公共医学]
戈克，I。；O.奥斯曼。；Ozekes，S。；Baslo，M.B。；埃尔塔斯，M。；Ulgen，Y.用机器学习算法对通过扫描肌电图获得的青少年肌阵挛性癫痫数据进行分类。医学系统杂志。 2012,36, 2705–2711. [谷歌学者][交叉参考][公共医学]
Ozekes，S。；Osman，O。使用3D特征提取和基于学习的算法进行计算机肺结节检测。医学系统杂志。 2010,34, 185–194. [谷歌学者][交叉参考][公共医学]
贝克曼，W。；Bendel，D。；Rakhit，R.远程心脏病学革命：改善初级保健中的心脏病管理。J.R.社会医学。 2010,103, 442–446. [谷歌学者][交叉参考][公共医学]
麦克莱恩，S。；钱德勒，D。；美国努尔马托夫。；刘杰。；巴利亚里，C。；Car，J。；Sheikh，A.哮喘远程医疗：Cochrane综述。可以。医学协会杂志（CMAJ） 2011,183，E733–E742。[谷歌学者][交叉参考][公共医学]
Johnson，N.D.Teleradiology 2010：技术和组织问题。儿科。无线电。 2010,40, 1052–1055. [谷歌学者][交叉参考][公共医学]
埃文斯，A.J。；基尔，T.R。；Croul，S.关于神经病理学冰冻切片使用全滑成像远程病理学的常见问题。塞明。诊断。病态。 2010,27, 160–166. [谷歌学者][交叉参考][公共医学]
Demaerschalk，B.M.Telestrokostics：利用远程医疗治疗各地的中风患者。塞明。神经醇。 2010,30，477–491页。[谷歌学者][交叉参考][公共医学]
东北部赫伦登。；Schaefer，G.B.儿科医生远程医疗的实际应用。儿科。安。 2009,38，567–569页。[谷歌学者][交叉参考][公共医学]
Tsang，M.W。；Kovarik，C.L.《皮肤病理学与远程皮肤病学在资源有限的环境中的作用：来自非洲远程皮肤病项目的经验教训》。国际皮肤病杂志。 2011,50, 150–156. [谷歌学者][交叉参考][公共医学]
戴蒙德，J.M。；Bloch，R.M.《儿童或青少年行为障碍的远程精神病学评估：证据和问题综述》。电话联系。J.E健康 2010,16, 712–716. [谷歌学者][交叉参考][公共医学]
Berg，B。；科尔塔扎尔，B。；德里克，T。；Ozkan，H。；Feng，S。；魏强。；Chan，R.Y.-L。；Burbano，J。；Q·法鲁基。；勒温斯基，M。；等。基于手机的手持式微孔板阅读器，用于酶联免疫吸附剂分析的定点检测。美国化学会纳米 2015,9, 7857–7866. [谷歌学者][交叉参考][公共医学]
Feng，S。；凯尔·R。；科尔塔扎尔，B。；图兰，M。；Wong，A。；Ozcan，A.使用谷歌玻璃进行免疫色谱诊断测试分析。美国化学会纳米 2014,8, 3069–3079. [谷歌学者][交叉参考][公共医学]
O.穆达尼阿里。；迪米特洛夫，S。；美国西科拉。；Padmanabhan，S。；纳夫鲁兹，I。；Ozcan，A.在手机上集成快速不可知测试阅读器平台。实验室芯片 2012,12, 2678–2686. [谷歌学者][交叉参考][公共医学]
纳夫鲁兹，I。；科斯昆，A.F。；Wong，J。；穆罕默德，S。；曾，D。；纳吉，R。；Phillipsac，S。；Ozcan，A.基于智能手机的计算显微镜，在光纤阵列上使用多帧接触成像。实验室芯片 2013,13，4015–4023。[谷歌学者][交叉参考][公共医学]
Arpali公司。；Arpali，C。；科斯昆，A.F。；H.H.Chianga。；Ozcan，A.使用结构照明和荧光芯片成像对大量全血进行高通量筛查。实验室芯片 2012,12, 4968–4971. [谷歌学者][交叉参考][公共医学]
魏强。；罗，W。；蒋，S。；Kappel，T。；Mejia，C。；曾，D。；Chan，R.Y.L。；严，E。；齐，H。；沙比尔，F。；等。手机上单个DNA分子的成像和尺寸测定。美国化学会纳米 2014,8, 12725–12733. [谷歌学者][交叉参考][公共医学]
Drotár，P。；Mekyska，J。；雷克托罗娃，I。；马萨罗娃，L。；斯梅卡尔，Z。；Fundez-Zanuy，M.《手写体空中运动分析：帕金森病的新标志物》。计算。方法生物识别程序。 2014,117，405–411。[谷歌学者][交叉参考][公共医学]
Oung，Q.W。；Muthusamy，H。；Lee，H.L。；巴萨，S.N。；Yaacob，S。；萨里莱，M。；Lee，C.H.《帕金森病运动障碍评估技术：综述》。传感器 2015,15, 21710–21745. [谷歌学者][交叉参考][公共医学]
Hariharan，M。；波兰，K。；Sindhu，R.一种用于准确检测帕金森病的新型混合智能系统。计算。方法生物识别程序。 2014,113, 904–913. [谷歌学者][交叉参考][公共医学]
J.威斯汀。；吉亚马塔，S。；梅梅迪，M。；Nyholm，D。；Johansson，A。；多尔蒂，M。；Groth，T.一种评估帕金森病绘画障碍的新计算机方法。《神经科学杂志》。方法 2010,190, 143–148. [谷歌学者][交叉参考][公共医学]
Sarmiento，F。；马丁内斯，F。；Romero，E.通过分类同侧协调和时空步态模式来自动表征帕金森病。2014年10月14日至16日在哥伦比亚卡塔赫纳举行的第十届国际医学信息处理与分析研讨会论文集。
Ying，H。；Silex，C。；Schnitzer，A。；Leonhardt，S。；Schiek，M.加速计信号中的自动步进检测。IFMBE程序。 2007,13, 80–85. [谷歌学者]
Little，文学硕士。；麦克沙里，体育。；亨特，E.J。；Ramig，L.O.，发音困难测量在帕金森病远程监测中的适用性。IEEE传输。生物识别。工程师。 2009,56, 1015–1022. [谷歌学者][交叉参考][公共医学]
巴塔查里亚，I。；Bhatia，M.P.S.SVM分类法鉴别帕金森病患者。2010年9月16日至17日在印度哥印拜陀举行的第一届Amrita ACM-W计算机女性庆祝活动会议记录；第1-6页。
Das，R.帕金森病诊断的多种分类方法的比较。专家系统。应用。 2010,37, 1568–1572. [谷歌学者][交叉参考]
Sakar，首席执行官。；Kursun，O.使用痛觉障碍测量远程诊断帕金森病。医学系统杂志。 2010,34, 591–599. [谷歌学者][交叉参考][公共医学]
Ozcift，A.基于SVM特征选择的旋转森林集合分类器，用于改进帕金森病的计算机辅助诊断。医学系统杂志。 2012,36, 2141–2147. [谷歌学者][交叉参考][公共医学]
Polat，K.基于模糊C均值聚类的特征加权法对帕金森病的分类。国际期刊系统。科学。 2011,43, 597–609. [谷歌学者][交叉参考]
Acevedo，E。；Acevedo，A。；Felipe，F.帕金森病诊断的联想记忆方法。莱克特。注释计算。科学。 2011,6718, 103–117. [谷歌学者]
Gök，M.帕金森病检测的k近邻算法集合。国际期刊系统。科学。 2015,46, 1108–1112. [谷歌学者][交叉参考]
Boersma，P。；Weenink，D.Praat，一个通过计算机进行语音学习的系统。格洛特国际。 2001,5, 341–345. [谷歌学者]
KayPENTAX公司。Kay Elemetrics无序语音数据库，型号4337; Kay Elemetrics:美国新泽西州林肯公园，2005年。[谷歌学者]
香农，C.E.传播数学理论。贝尔系统。技术J。 1948,27, 379–423. [谷歌学者][交叉参考]
Abdi，H。；Williams，L.J.主成分分析。威利公司（Wiley Interdiscip）。版次计算。斯达。 2010,2, 433–459. [谷歌学者][交叉参考]
巴托洛缪，D.J。；斯蒂尔，F。；Galbraith，J。；我·穆斯塔基。多元社会科学数据分析第2版。；社会和行为科学系列中的统计学；泰勒·弗朗西斯：英国牛津，2008年。[谷歌学者]
麦克拉克伦，G。；Do，K.-A。；安布罗斯，C。分析微阵列基因表达数据; 威利：美国纽约州纽约市，2004年。[谷歌学者]
杜达，R.O。；哈特，体育。；D.G.斯托克。模式分类第2版。；约翰·威利父子公司：美国纽约州纽约市，2000年。[谷歌学者]
周，Z.-H。集成方法：基础和算法; CRC出版社：美国佛罗里达州博卡拉顿，2012年。[谷歌学者]
吴，X。；库马尔，V。；罗斯，Q.J。；Ghosh，J。；杨琼。；Motoda，H。；麦克拉克伦，G。；Ng，A。；刘，B。；余，P。；等。数据挖掘中的十大算法。知识。信息系统。 2008,14, 1–37. [谷歌学者][交叉参考]
斯图亚特·R。；诺维格，P。人工智能：一种现代方法第2版。；普伦蒂斯·霍尔：上马鞍河，新泽西州，美国，2003年。[谷歌学者]
Sakthivel，N.R。；苏古马兰，V。；Nair，B.B.单体离心泵故障分类的决策树模糊和粗糙集模糊方法比较。机械。系统。信号处理。 2010,24, 1887–1906. [谷歌学者][交叉参考]
J.C.戴维斯。地质统计学与数据分析第3版。；威利：美国纽约州纽约市，2002年。[谷歌学者]
克劳克斯，C。；Joossens，K。二次判别分析中观测值对误分类概率的影响。J.多变量。分析。 2005,96, 384–403. [谷歌学者][交叉参考]
黄，J。；Ling，C.使用AUC和准确性评估学习算法。IEEE传输。知识。数据工程。 2005,17, 299–310. [谷歌学者][交叉参考]

图1。ParkDet接口之间的关系。

图2。ParkDet 2.0的三个接口(一)主菜单(b条)所有数据应用(c（c）)盲测。

图2。ParkDet 2.0的三个接口(一)主菜单(b条)所有数据应用程序(c（c）)盲测试。

图3。前八个主成分对应的方差。

图4。PC之间的比较(一)保时捷中国1与PC2公司(b条)PC2公司与PC3公司(c（c）)保时捷中国1与PC3公司(d日)三维PC1与PC2公司与PC2。

图4。PC之间的比较(一)保时捷中国1与PC2公司(b条)PC2公司与第3页(c（c）)保时捷中国1与PC3公司(d日)三维PC1与PC2公司与PC2。

图5。LF的比较(一)LF1型与LF2型(b条)LF2型与LF3型(c（c）)LF1型与LF3型(d日)三维LF1与LF2型与LF2。

图5。LFs的比较(一)LF1型与LF2型(b条)LF2型与LF3型(c（c）)LF1型与LF3型(d日)三维LF1与LF2型与LF2。

图6。ML结果视图(一)所有数据应用(b条)盲测试。

图7。分类器的AUC实现(一)使用原始数据集时(b条)当通过FA应用简化功能时(c（c）)当通过PCA简化的特征用于具有2、5和10倍交叉验证的分类时。

表1。原始PD数据集的22个特征和简短定义。

**表1。**原始PD数据集的22个特征和简短定义。
特征	定义
MDVP:Fo（赫兹）	平均人声基频
MDVP:Fhi（赫兹）	最大人声基频
MDVP:Flo（赫兹）	最小人声基频
MDVP：抖动（%）	抖动百分比
MDVP：抖动（Abs）	绝对抖动（微秒）
MDVP:RAP公司	相对振幅扰动
MDVP:PPQ公司	五点周期摄动商
MDVP：闪光	局部闪光
MDVP：闪烁（dB）	局部闪烁（分贝）
MDVP:APQ公司	11点振幅扰动商
闪光：APQ3	三点振幅扰动商
闪光：DDA	连续周期振幅之间连续差值的平均绝对差值
闪光：APQ5	五点振幅摄动商
抖动：DDP	周期间差异的平均绝对差值除以平均周期
无人机	噪声谐波比
HNR公司	谐波噪声比
放射性同位素动力装置	重现期密度熵
DFA公司	信号分形标度指数
D2类	相关性维度
个人防护装备	基音周期熵
价差1	基频变化的两种非线性测量
价差2	基频变化的两种非线性测量

表2。具有2倍交叉验证的分类器的精确度。

**表2。**具有2倍交叉验证的分类器的准确性。
数据集	支持向量机	增压	k个-NN公司	注	DT公司	本地设计院	质量保证机构
原件	0.8615	0.8462	0.8258	0.7446	0.8087	0.8465	0.8539
带FA	0.9338	0.8636	0.9487	0.7690	0.8097	0.8696	0.8563
带PCA	0.9385	0.8705	0.9502	0.7903	0.8227	0.8723	0.8539

表3。具有5倍交叉验证的分类器的精确度。

**表3。**具有5倍交叉验证的分类器的精确度。
数据集	支持向量机	增压	k个-NN公司	注	DT公司	本地设计院	量子点
原件	0.8728	0.8697	0.8395	0.7534	0.8215	0.8592	0.8642
带FA	0.9461	0.8961	0.9649	0.7930	0.8365	0.8698	0.8686
带有PCA	0.9376	0.8765	0.9672	0.8125	0.8497	0.8764	0.8608

表4。具有10倍交叉验证的分类器的精确度。

**表4。**具有10倍交叉验证的分类器的精确度。
数据集	支持向量机	增压	k个-NN公司	注	DT公司	本地设计院	质量保证机构
原件	0.8735	0.8882	0.8532	0.7702	0.8210	0.8710	0.8847
带FA	0.9439	0.9026	0.9832	0.7928	0.8417	0.8713	0.8712
带PCA	0.9441	0.9098	0.9910	0.8215	0.8638	0.8862	0.8937

表5。与以往研究的比较。

**表5。**与以往研究的比较。
参考	分类器	准确度（%）
开发的方法	k个-NN使用创建的ParkDet 2.0	99.1
小[28]	内核支持向量机	91.4
巴特查里亚[29]	支持向量机	65.22
达斯[30]	神经网络	92.9
萨卡[31]	支持向量机	92.75
波兰[33]	燃料电池制造商	97.93
阿塞韦多[34]	ABBAM公司	97.17
Ozcift公司[32]	IBk公司	96.93
哥克[35]	k个-NN公司	98.46

分享和引用

MDPI和ACS样式

H·奥兹坎。帕金森病远程诊断分类方法的比较。熵 2016,18, 115.https://doi.org/10.3390/e18040115

AMA风格

Ozkan H。帕金森病远程诊断分类方法的比较。熵2016年；18(4):115.https://doi.org/10.3390/e18040115

芝加哥/图拉宾风格

海达尔·奥兹坎。2016年《帕金森病远程诊断分类方法比较》熵18，编号4:115。https://doi.org/10.3390/e18040115

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单