摘要
背景
方法
结果
结论
背景
方法
数据描述
拟议算法的流程图(PD_MEdit_EL)
多编辑最近邻算法(MENN)
随机森林
Dnne公司
结果
实验条件
绩效评估标准
PD_MEdit_EL算法的分类性能
MENN算法的效果
PD_MEdit_EL算法的显著性级别
讨论
-
1 利用MENN算法对语音样本进行优化,从而提高PD分类精度。 -
2 集成学习算法RF和DNNE与MENN一起进行了检验,结果进一步优化了PD分类。 -
三。 对“Traning_Data”和“Test_Data“集合进行了系统的研究和验证,而相关研究不涉及“Test_Ddata”集合。 -
4 与其他检测算法相比,所提出的PD_MEdit_EL算法的统计显著性得到了证实。
结论
缩写
产品开发: -
帕金森病 菜单: -
多数据最近邻 射频: -
随机森林 挪威国家电力公司: -
神经网络集成 PWP公司: -
帕金森氏症患者 主成分分析: -
主成分分析 NN编号: -
神经网络 支持向量机: -
支持向量机 项目编号: -
概率神经网络 标高: -
集成学习 RVFL(右飞行高度层): -
功能连接网络LOO 简历: -
去掉一项交叉验证 LOSO公司: -
离开主题
工具书类
Sakar BE、Isenkul ME、Sakar CO、Sertbas A、Gurgen F、Delil S、Apaydin H、Kursun O。收集和分析具有多种录音类型的帕金森语音数据集。 IEEE J生物健康信息。 2013年; 17(4):828–34. Tsanas A、Little MA、McSharry PE、Spielman J、Ramig LO。 用于帕金森病高精度分类的新型语音信号处理算法。 IEEE Trans Biomed Eng.2012; 59(5):1264–71. de Rijk MC、Launer LJ、Berger K、Breteler MM、Dartigues JF、Baldereschi M、Fratiglioni L、Lobo A、Martinez Lage J、Trenkwalder C、Hofman A。欧洲帕金森病的患病率:一项基于人群的队列合作研究。 老年神经疾病研究小组。 神经病学。 2000; 54(5):21–3. Van Den Eeden SK、Tanner CM、Bernstein AL、Fross RD、Leimpeter A、Bloch DA、Nelson LM。 帕金森病发病率:年龄、性别和种族/民族差异。 《美国流行病学杂志》。 2003; 157(11):1015–22. Elbaz A、Bower JH、Maraganore DM、McDonnell SK、Peterson BJ、Ahlskog JE、Schaid DJ、Rocca WA。 帕金森综合征和帕金森病风险表。 临床流行病学杂志。 2002年; 55(1):25–31。 O'Sullivan SB,Schmitz TJ,《物理康复中的帕金森病》。 第5版,费城:F.A.Davis公司; 2007年,第856–94页。 汗·T·帕金森病言语异常评估:综述。 Idt.mdh.se.2014年。 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(2):1568–72. Hirschauer TJ、Adeli H、Buford JA。 使用增强概率神经网络对帕金森病进行计算机辅助诊断。医学系统杂志。 2015; 39(11):1–12. Prashanth R、Roy SD、Mandal PK、Ghosh S.使用嗅觉丧失和REM睡眠障碍特征检测帕金森氏病。 IEEE Eng-Med Biol Soc.年会; 2014年,第5764–67页。 Baghai-Ravary L,甜菜SW。 语音信号自动分析用于语音障碍的临床诊断和评估。 Springer Br Electr计算工程2012; 115(2):31-6。 Kim H、Lee HJ、Lee W、Kwon S、Kim SK、Jeon HS、Park H、Shin CW、Yi WJ、Jeon BS、Park KS。 使用智能手机对帕金森病患者步态进行无约束检测。 医学和生物学会IEEE工程年度国际会议。 医学和生物学会IEEE工程。 年度会议; 2015年,第3751–54页。 Little MA、McSharry PE、Hunter EJ、Spielman J、Ramig LO。 痛觉障碍测量在帕金森病远程监测中的适用性。 IEEE Trans Biomed Eng.2009; 56(4):1015–22. Hariharan M、Polat K、Sindhu R。用于准确检测帕金森病的新型混合智能系统。 计算机方法程序生物识别。 2014; 113(3):904-13。 Sapir S、Ramig LO、Spielman JL、Fox C.《共振峰集中率:构音障碍语音新声学测量的建议》。 语言听力研究杂志2010; 53(1):114–25. Rusz J、Bonnet C、KlempířJ、TykalováT、BaborováE、NovotnŬM、Ulseh A、Růzi ička E。言语障碍反映了帕金森病、进行性核上性麻痹和多系统萎缩的不同病理生理学。 神经科学杂志。 2010; 262(2):992–1001. Islam MS,Parvez I,Deng H,Goswami P。使用声音障碍(发音困难)检测帕金森病的异质分类器性能比较。 2014年国际信息、电子和视觉会议(ICIEV); 2014年,第1-7页。 Pérez CJ、Naranjo L、Martín J、Campos-Roca Y.一种基于潜在变量的贝叶斯回归,用于解决帕金森病中的记录复制问题。 第22届欧洲信号处理会议; 2014年,第1447–51页。 Athanasios T、Little MA、Mcsharry PE、Ramig LO。 通过无创语音测试准确远程监测帕金森氏病进展。 IEEE Trans Biomed Eng.2010; 57(4):884–93. Benba A、Jilbab A、Hammouch A、Sandabad S.使用MFCC和SVM进行声纹分析,以检测帕金森病患者。 2015年电气和信息技术国际会议(ICEIT),IEEE; 2015 Titze、Ingo R、Martin、Daniel W.《声音制作原理》。 第2版,爱荷华州:国家。 中心语音; 2000 Schoentgen J,Guchteneere RD。抖动的时间序列分析。 J电话。 1995; 23(23):189–201. Tsanas A、Little MA、McSharry PE、Ramig LO。 拉米格。 映射到标准度量的非线性语音分析算法实现了帕金森病症状平均严重程度的临床有用量化。 J皇家足球协会界面。 2011; 59(8):842–55. Yair E,Gath I.帕金森病言语的高分辨率零极点分析。 IEEE Trans Biomed Eng.1991; 38(2):161–7. Orozco-Arroyave JR、Hönig F、Arias-Londoño JD、Vargas Bonilla JF、Daqrouq K、Skodda S、Rusz J、Nöth E。用三种不同语言说话时自动检测帕金森病。 《美国科学院学报》2016; 139(1):481–500. Ozkan H.帕金森病远程诊断分类方法的比较。 熵。 2016; 18(4):115. Mahnaz B,Ashkan S.基于各种声音测试的帕金森病检测的多分类框架。 国际J电话申请。 2016年:1-9月。 Froelich W,Wróbel K,Porwik P.使用语音信号分类诊断帕金森病。 医学信息技术杂志。 2014; 23:1642–6037. 阿拉斯加州古普塔Sharma RK。 用于帕金森病评估的人声处理和分析。 医学影像健康信息杂志。 2016; 6(1):63–70. 基于Ozcift A.SVM特征选择的旋转森林集成分类器用于改善帕金森病的计算机辅助诊断。 医学系统杂志。 2012; 36(2):2141–7. Yang S,Zheng F,Luo X,Cai S,Wu Y,Liu K,Wu M,Chen J,Krishnan S。使用特征降维和核密度估计有效检测帕金森病患者的发音困难。 《公共科学图书馆·综合》。 2014; 9(2):1–10. Shahbakhti M,Taherifar D,Sorouri A.检测帕金森病的线性和非线性语音特征。 2013年生物医学工程国际会议(BMEiCON-2013); 2013年,第1-3页。 Avci1 D,Dogantekin A.基于遗传算法-小波核极值学习机的帕金森病专家诊断系统。 帕金森病; 2016: 1–9. Mekyska J,Rektorova I,Smekal Z.帕金森病言语障碍自动分析的最佳参数选择。 电信和信号处理(TSP),2011年8月18日至20日第34届国际会议; 2011年,第408-12页。 Sakar CO,Kursun O。使用发音困难测量对帕金森病进行远程诊断。 医学系统杂志。 2010; 34(4):591–9. Galaz Z、Mekyska J、Mzourek Z、Smekal Z、Rektorova I、Eliasova I、Kostalova M、Mrackova M和Berankova D。帕金森病患者中性、压力修饰和押韵语言的部门韵律分析。 计算机方法程序生物识别。 2016; 127:301–17. Su M,Chuang KS。 通过语音信号检测帕金森病的动态特征选择。 IEEE Mtt-S 2015生物医学和医疗保健应用射频和无线技术国际微波系列研讨会。 IEEE; 2015 Khan T,Westin J,Dougherty M.帕金森病言语清晰度分类。 生物信息工程2013; 33(4):35–45. Frid A、Safra EJ、Hazan H、Lokey LL、Hilu D、Manevitz L、Ramig LO、Sapir S.使用机器学习技术直接从自然语音进行帕金森病的计算诊断。 IEEE软件科学、技术和工程国际会议; 2014年,第50-3页。 Kaya E,Findik O,Issmail B,Arslan A.离散化方法对帕金森病诊断的影响。 国际Innov计算机信息控制协会。 2011; 7(8):4669–78. Benba A、Jilbab A、Hammouch A。检测帕金森病患者的最佳声学线索的杂交。 复杂系统世界会议; 2014年,第622-5页。 Islam MS,Parvez I,Deng H,Goswami P.使用语音障碍(发音障碍)检测帕金森病的异质分类器的性能比较。 信息学、电子学和视觉国际会议。 IEEE; 2014年,第1-7页。 Naranjo L、Pérez CJ、Campos-Roca Y、Martín J.解决帕金森氏病检测的语音记录复制问题。 专家系统应用。 2016; 46(C):286–92。 Spadoto AA、Guido RC、Papa JP、Falcao AX。 通过最优路径森林识别帕金森病。 医学和生物学会IEEE工程国际会议。 IEEE工程医学生物学会会议纪要; 2010年,第6087-90页。 Froelich W,Wrobel K,Porwik P。使用语音样本和基于阈值的分类诊断帕金森病。 医学影像健康信息杂志。 2015; 5(6):1358–63. 钟JW。 根据语音特征对帕金森病进行分类的算法性能比较。 韩国跨国公司2016; 19(2):209–14. Gok M,Murat K。检测帕金森病的K近邻算法集成。 国际系统科学杂志。 2015; 46(6):1108–12. Mandal I,Sairam N.预测帕金森病的新机器学习算法。 国际系统科学杂志。 2014; 45(3):647–66. Chen H-L等。使用模糊k近邻方法检测帕金森病的有效诊断系统。 专家系统应用。 2013年; 40(1):263–71. Juan LI,Wang YPA(王永平)。 基于局部均值和类全局信息的快速邻居原型选择算法。 紫冬花雪宝/自动化学报。 2014; 40(6):1116–25. Alhamdoosh M,Wang D.快速去相关神经网络集成随机权重。 信息科学。 2014; 264(6):104–17. Hattori K,Takahashi M.模式分类问题中的一种新的最近邻规则。 模式识别。 1999; 32(3):425–32. Rico Juan JR,Iñesta JM。使用最近邻规则减少训练集大小的新排名方法。 图案识别信。 2012; 33(5):654–60. Piyush R,Ramakrishnan S.使用区域特定体积特征和随机森林分类器进行基于扩散张量的阿尔茨海默病图像分析。 国际生物工程会议2013; 43:691–4.
作者的贡献
致谢
竞争性利益
数据和支持材料的可用性
基金
作者信息
作者和附属机构
通讯作者
权利和权限
关于本文
引用这篇文章
收到 : 认可的 : 出版 : 内政部 : https://doi.org/10.1186/s12938-016-0242-6