文摘
本文介绍了机器学习的方法对帕金森病检测。潜在的多个帕金森声信号的特性和控制对象的确定。创建一个功能合作银行通过相关的特征选择,费舍尔得分特征选择,信息化特征选择和共同计划。检测模型的功能银行已经开发出来,使用传统的朴素贝叶斯的证明的。朴素贝叶斯探测器协同声学特性可以发现帕金森辉煌的存在78.97%的检测精度和精度为0.926,在尚未签署的交叉验证。朴素贝叶斯的协作特性银行显示的结果比其他许多最近提议的方法。朴素贝叶斯的简单性使整个检测过程系统健壮的和有效的。
1。介绍
帕金森病(PD)是一种固有的疾病在老年人中。这种疾病出现在人类大脑中的多巴胺神经元显著下降(1,2]。PD有语音障碍的症状出现在它的早期阶段,地震,和损失的内存,和主题节目无法走路,跑步,甚至履行日常职责。在末时代形势恶化,遭受巨大的记忆丧失和不能移动和精益执行小活动。最糟糕的是,这种疾病是无法治愈的,不可逆的3),所以一直努力的早期检测和预防措施,抑制其负面影响。医学表明,帕金森病主要原因逐渐减少人类大脑的多巴胺的激素,这种激素作为各种神经元之间的信号的发射器4]。多巴胺的激素量不足导致信号和各种nontransmission neurorelated始于人类疾病和症状,和帕金森病就是其中之一。帕金森病的症状可以nonmotor motor-related。Nonmotor症状包括睡眠障碍、语音变异、吞咽问题,和损失的气味,而运动症状与缓慢的运动,例如,动作迟缓,震颤,刚性,姿势不稳定5]。这些症状也会因病人而异,在不同时期,和症状的出现往往是最近观察到病人由于休闲无知的早期症状。
帕金森病的效果因人而异,和所有每一个PD患者的症状可能不明显,甚至可能不会出现在相同的顺序和相同的组合。然而,受试者患有特发性快速眼动睡眠行为障碍(iRBD)更容易PD。语言变化是第一个运动症状,甚至出现十年实际诊断开始前(6]。因此,评估语音信号提供了一个更好的范围检测在早期帕金森症的几率。例如,时域幅值的控制和帕金森病已经显示在图1。每一块的图1代表一个主题,绿色情节代表控制和红色块代表受试者帕金森氏症。受试者的具体情节上生成维持元音的发音/ /在意大利语言7]。
从图1,帕金森的振幅对象似乎异常,障碍可以被识别。另一方面,振幅Non-Parkinson疾病主题的统一在一个下降的趋势。帕金森的疾病信号对象是言语障碍和运动功能减退的构音障碍,一个主题在不同阶段遭受PD (8]。言语障碍是指不能产生正常发声发音系统的功能受损。减少螺距变化通常表示单调性,降低音量,上气不接下气的喘息声,和小演讲形成(9]。大约90%的PD患者受此影响结合运动功能减退的迹象构音障碍(9]。在声学语音分析的背景下,很难识别声波通过裸体的轻微变化的耳朵。在这种情况下,可以使用机器学习技术的力量来区分帕金森的其他信号10,11]。
帕金森病是一种不可逆的疾病,唯一的选择了临床实践者是减少的速度效果。通过这种方式,这个问题感到自信和治愈如果早期诊断过程开始。PD显示只有少数症状在早期阶段在硬币的另一面,语音障碍和轻微的震动。然而,这些症状也像其他症状平均的人。这就是为什么诊断技术人员和临床医生现在正在探索机器学习和人工智能方法(12- - - - - -14)来预测疾病的存在和严重性在他们的主题。
本文的主要贡献如下:(一)协作功能银行组成的七声音特征已经创建的基线特征(BF)声襞特性(VFF)和时间频率(TFF)的帮助下相关的特征选择(CFS) [15),费舍尔得分特征选择(fsf) [16),和相互信息化特征选择(mif) [17]。(b)传统的朴素贝叶斯一直在训练和测试的7个特征银行协作功能,显示我们的系统的鲁棒性和有效性与近期其他帕金森病检测方法。
本文的其余部分如下。部分2处理文学评论,部分3概述了材料和方法部分4简要论述了结果,紧随其后的是结论部分5。
2。文献综述
许多最近的机器学习技术,包括朴素贝叶斯、证明有用隔离对象痛苦的PD控制。例如,Avuclu和艾伦18)提出了帕金森检测通过多个分类器。他们的实验是进行各种培训和测试实例横跨超过22 195份声音样本的声音特征。再邻居,随机森林,支持向量机,以及朴素贝叶斯、被用来检测帕金森氏症。已经观察到,朴素贝叶斯检测准确率达到了70.26%的帕金森课题精度为0.64。Bourouhou et al。19相比许多分类器预测受试者中帕金森氏症的存在。他们的实验是进行40科目包括20帕金森综合症和对照组。实验结果朴素贝叶斯探测器显示检测准确率为65%,敏感性为63.6%,特异性为66.6%,分别。同样,Zhang et al。20.)使用朴素贝叶斯和其他机器学习技术来检测帕金森病。他们的方法采用信号处理技术来提取相关特征声信号的帕金森综合症和对照组。在朴素贝叶斯第二阶段,支持向量机(SVM),逻辑回归(LR),与单、双层神经网络用于隔离帕金森综合症和对照组。22的声音特性,朴素贝叶斯显示69.24%的检测精度96.02%的精确率。Meghraoui et al。21)提出了伯努利和多项朴素贝叶斯(BMNB)调和性,音高,脉冲特性。BMNB方法被证明是一个更好的解决方案来检测帕金森氏症的存在。一个测试样本28日遇到62.5%的检测精度在伯努利朴素贝叶斯(BNB)与0.375均方误差(MSE)。Kadiri et al。22)提出了帕金森病检测方法使用SVM在单一频率过滤Cepstral系数(SFFCC)和移位的δCepstral署特性要求的声音信号帕金森综合症和对照组。SFFCC +区议会功能见证了9%的性能提升相比传统MFCC +区议会功能。传统的支持向量机在SFFCC +区议会功能显示,73.33% F1-score检测精度为73.32%。
除了朴素贝叶斯,许多其他监督技术,包括但不限于著名的深度学习技术,提出了检测帕金森科目之一。最近Jain et al。23)提出了帕金森病检测方法使用多个分类器效果。作者使用合成少数过采样技术(杀)生成人工样本进行预测。他们的建议的方法在深层神经网络(款)检测帕金森的检测精度为91.47%。虽然结果似乎令人印象深刻,他们的方法没有出现实际的原因有很多。作者提出的数据集使用人形et al。24),和252名被试的数据集包含复制演讲信息导致756个实例。机器学习方法不能直接应用到这些实例作为语音信号的每个主题有三个读数。这些实例需要巩固在实际分类开始。此外,创建一个帕金森检测系统对754功能并不令人信服。款的性能,作者所声称的,可能不同综合实例。进一步说,他们的系统可能不是实际有效的合成样品由击杀。同样,Polat和努尔(25)使用多个分类器检测帕金森合奏。一个对所有(OAA)抽样技术在检测过程中起着举足轻重的作用。逻辑回归(LR) OAA样本被证明是一位才华横溢的帕金森探测器。多个监督分类器也使用声音特性通过自适应选择灰太狼优化算法(AGWOA)和稀疏汽车编码器(SAE) [26]。朴素贝叶斯分类器在AGWOA和SAE特性揭示了检测精度为72%。在最近的过去,决策树是流行在生物医学数据分类(27]。分类和回归树(CART)用于检测帕金森氏症的存在(28购物车),检测器检测帕金森有75.19%通过8元音/ /最优的特性。
3所示。材料和方法
3.1。数据集
该方法背后的理念是功能协作检测帕金森病。功能协作,基线特征(BF)声襞特性(VFF)和时间频率特性的声学信号(TFF)和帕金森病人被认为是控制。男朋友,VFF, TFF从最近的帕金森检测数据库中提取公开在UCI机器学习库(24),准备在Cerrahpaşa神经学部门,医学院,伊斯坦布尔。数据库包含752 252名受试者的声学特性,包括控制和帕金森氏症。数据准备44.1 kHz麦克风设置之后,医生的检查。持续发声的元音/ /收集每个主题有三个重复。
752特性还包括22 VFF, 11 TFF, 21个男朋友。这些特性提取使用Praat声学分析软件(24]。VFF下的数量特性,TFF,男朋友已经展示在表的数据集1。性别控制和生病的科目表中列出2。这些功能段的详细特征和相应的特性可以发现24,27]。
伊斯坦布尔声数据库(24]这里使用包括252名受试者中,64人控制,和188例患有帕金森症。同样,122年的数据集包含声音信息女(41控制和81帕金森症)和130男性受试者(41控制和81帕金森)。
3.2。特征选择
有效的协作,创建特色银行(神奇动物)使用高炉的最好特性,VFF, TFF。确定最佳特性建立了通过三个突出特征选择技术(29日,30.]-相关的特征选择(CFS) (15),费舍尔得分特征选择(fsf) [16),和相互信息化特征选择(mif) [17]。这些特征选择方案最初排名功能(基于他们对分类的贡献)。他们从排名选择最合适的功能特性(特征对分类的贡献最高的过程)。所有三个CFS、fsf和mif技术使用不同的排名证明机制功能。CFS计算相关属性来理解变量之间的相似性。两个属性 和 ,CFS计算相关如下: 在哪里=的属性和=的属性 。的价值就越高 ,越底层属性相关,低的价值底层属性已经远远偏离了对方。计算每个属性的相关性分数后,属性的升序排列的相关性得分。安排属性基于相关性得分范围提供了一个高度不相关的属性移动到前面和完全相关属性后,从而为增强支持分类器检测。同样,fsf的费舍尔得分计算底层帕金森数据集的个体特征。特征权重计算是基于样本的大小和数量的类标签。fsf是二进制和多级数据集的测试,但它是广泛用于二进制的数据集(31日];因此,适合当前工作的特性提出了士兵。对于一个给定的特性 有一组类 ,费舍尔得分的特性可以估计如下: 在哪里中实例的数量吗类,的意思是我th功能,和的均值和方差是吗我th特性和类,分别。通过这种方式,每个特性的费舍尔得分帕金森数据集计算,让我们排名基于分数积累的特性。应该注意的是,费舍尔得分分别评估分数;即。,no two features are taken simultaneously to calculate the feature’s score [32]。个人费舍尔得分被证明是一个限制来识别功能冗余。然而,由于突出的功能被选择迭代通过朴素贝叶斯分类、识别功能冗余的限制不会影响评估过程。CFS的相似准则,mif排名算法估计之间的关系特性通过互信息和排名的特性基于互信息的属性。对于任何两个给定的属性和有值 和 ,分别一个联合概率保证了样本的属性 ,然后之间的依赖关系和可以估计17通过互信息如下:
像相关性得分,互信息的地方特色排名至关重要的作用。所有这三个特性排名算法CFS, fsf和mif也可以扩展到选择特性的一个子集。排名排名功能后段,增量地传递给朴素贝叶斯的排名特性功能以迭代方式。增量特性分类允许选择合适数量的朴素贝叶斯的各个部分的功能显示最高的检测精度。
简而言之,所有的三个特征选择技术CFS, fsf和mif共同努力以识别潜在的善分数为每个属性数据集帕金森氏症。这个增量特征选择背后的理念是只选择那些主要是接近类属性的属性,而不是互相接近。然而,而不是根据识别属性的实用的方法,强调通过增量分类选择属性。景观,增量特征选择可以帮助识别潜在属性最现实的方式。男朋友的选择特性,VFF TFF通过CFS, fsf和mif提供最相关协作帕金森病检测功能。帕金森病检测过程的整个过程已经被描绘在图2。
检测对象的过程影响帕金森遵循三个步骤;特征选择,即功能协作和帕金森病检测。正如前面指出的,在特征选择阶段,男朋友,TFF,并使用CFS VFF分别排名,fsf和mif技术。因此,九个功能模块实现。特性的排名功能块通过协作阶段,朴素贝叶斯起到至关重要的作用在合适的特征识别。功能逐步获取排名从每个功能块,并送交朴素贝叶斯分类。这一过程持续进行直到所有功能是获取排名从每个功能块。增量特征对于分类帮助识别所需的最小数量的特性来达到最大的检测精度。排名的数量特征的检测精度的最大数量已经收到确认。每个功能块,即。, VFF, TFF, and BF, the best features are identified by comparing all three feature ranking schemes (i.e., CFS, FSFS, and MIFS).
3.3。分类
排名特性是合作并送往朴素贝叶斯帕金森病的检测。这样,整个检测过程依赖于少量的协作功能;因此,它似乎是一个实用的帕金森病检测方法。检测方法已经开发使用Weka机器学习库(33,34]。该模型的实现设置表中列出3。
使用朴素贝叶斯估计量的预测模型预测类(35]。数字估计精度值选择基于训练数据的分析。批处理大小显示所需的实例数量为批量测试样本的预测过程。监督离散化选项确保名义的数值属性的转换。所有属性数值,所以这个选项被禁用在训练和测试过程。
4所示。结果与讨论
拟议的工作成果在三大方面进行了分析。在第一阶段,排名方案的效率特性,即。、慢性疲劳综合症、fsf和mif,分析了。特性/功能的个人排名选择器帮助识别最潜在VFF TFF, BF部分有效的协作。在第二阶段,朴素贝叶斯的性能评价以及很多其他传统监督分类器在帕金森的背景下检测。最后,提出了协作特点帕金森检测系统对其他最近比较活跃的帕金森症检测机制。
4.1。协作特性识别
作为合作的第一阶段帕金森检测计划,准备一个银行协作功能。朴素贝叶斯的检测精度声襞的变化,时间频率,通过CFS和基线特征,fsf和mif排名一直在数字3- - - - - -5,分别。朴素贝叶斯的分类精度也记录在原始特性理解特性分级技术的力量。
要注意,原始和排名声学特性逐步通过朴素贝叶斯处理观察性能增强的数量的变化特性。朴素贝叶斯的性能由于慢性疲劳综合症,fsf和mif显示了一个满意的结果比原来的功能。从图可以看出3CFS显示了最高的检测精度与十特性。相比之下,同样的朴素贝叶斯花了12个原始特征产生相似的检测精度。另一方面,fsf排计划的三个特性帮助朴素贝叶斯达到相同的CFS检测精度。同样,朴素贝叶斯显示了相同的检测精度与6 mif特性。因此,所有的三个CFS、fsf和mif提高朴素贝叶斯的性能峰值的帮助下10,3和6的特性,分别。因此,3 fsf特性已经被发送到银行协作特性。
具有相似准则,当原始TFF特性和排名CFS, fsf,和mif功能逐步处理,只有3慢性疲劳综合症的特点提高朴素贝叶斯的性能非常好75.79%。然而,fsf也提高了朴素贝叶斯性能但CFS和mif。fsf和mif露出一个满意的性能改进的检测精度为73.4%和73.81%,分别。虽然朴素贝叶斯只花了1 mif特性,CFS的前3个特征已被派往功能协作银行由于检测精度最高。
朴素贝叶斯的性能研究时,分类器的性能由于薄层土CFS, fsf和mif被发现退化。然而,薄层土表现出相似的结果,原来安排以最小的特性。在这方面,76.59%的朴素贝叶斯收益率最高的精度与3 fsf特性。fsf的相反,我们更愿意选择1 CFS排名基线特征。CFS增强朴素贝叶斯的性能相同的平行检测精度特性的原始订单数量较小的特征。因此,基线排名第一的特点通过CFS士兵已经入围,送到功能银行合作。
朴素贝叶斯的性能在CFS, fsf和mif的原始顺序VFF, TFF和男朋友特性表中给出4。特征阈值列显示了最小数量的特征识别关注下产生最大检测精度设置。所以,总共3频排名声襞的特性。排名3 CFS时间频率特性和1 CFS的基线特征识别功能协作。
4.2。性能分析协作帕金森的检测
作为合作的第一阶段帕金森检测计划,银行7组成VFF协作功能,TFF,男朋友已经准备。那些7功能已经经历了10倍交叉验证对朴素贝叶斯分类器。获得的结果为帕金森氏症和对照组被展示在表5。
根据表5,帕金森的敏感性和特异性的对照组是令人满意的。0.926为控制主体的特异性表明,协作帕金森检测模型是否正确检测结果为92.6%的对照组进行了测试。同样,0.926的敏感性帕金森科目正确地指出,模型将返回一个积极的结果为92.6%的疾病。同样,精度为0.817表示共有174例患有帕金森症的预测为帕金森氏症的科目,这是令人印象深刻的在医疗诊断的背景下。另一方面,接收方操作曲线(ROC)代表一个优秀的AUC ( )。0.905 Precision-Recall曲线(PRC)表示,这是在一个可接受的范围内。中华民国和中华人民共和国的预测控制或帕金森症已经呈现在图6。
(一)
(b)
根据图6(一),中华民国的控制和帕金森主题是完全令人满意。向真阳性的曲线很好地照料。曲线声称76.2%面积的情节为控制和帕金森氏症。另一方面,中华人民共和国对帕金森是令人信服,而对照组,中华人民共和国是不令人信服的(图6 (b))。
4.3。性能比较与其他先进的模型
本节重点介绍的比较提出了帕金森病与其他类似的分类器检测。七个协作特性也通过使用C4.5决策树,再邻居、逻辑回归、神经网络、随机森林分类器。合作验证方法已经被用来验证所提出的模型与其他先进的方法。的观点同意验证、培训实例准备30%的受试者,70%的受试者随机测试实例。可以看出朴素贝叶斯协作特性擅长78.97%的检测精度最低的训练时间。再遭受的协作特性检测精度最低的67.46%。然而,培训时间再与朴素贝叶斯的平价。另一方面,逻辑回归显示了朴素贝叶斯的关闭性能结果的训练时间0.03秒。该方法的详细的性能结果,与他人一起,展示在表6。
在随后的尝试,提出了协作帕金森检测系统产生的错误已经观察到随着同行监督分类器。错误产生的各种基于朴素贝叶斯分类器以及协作特性代表了一个没有结果的结果。这是因为协作PDS显示了平均绝对误差(MAE)更好的结果。相比之下,它显示了平价结果与其他分类器在根均方误差(RMSE),相对绝对误差(RAE)和根相对平方误差(RRSE)。误差矩阵的结果如平均绝对误差(MAE)、根均方误差(RMSE),相对绝对误差(RAE)和根相对平方误差(RRSE)表7。
同样,基于协作的朴素贝叶斯特征也与其他分类器通过中华民国和中华人民共和国。结果在表列出的各种分类器8。
在表8,朴素贝叶斯代表特殊的中华民国和中华人民共和国的值为76%和81%。结果似乎远比,再和C4.5决策树。逻辑回归是唯一标识符,密切与朴素贝叶斯竞争。中华民国和中华人民共和国是代表视觉分类器,包括朴素贝叶斯图7为控制和帕金森科目。
(一)
(b)
(c)
(d)
中华民国的分类器,包括朴素贝叶斯、可以看到更多对真正积极的利率。然而,C4.5和再受控制,但显示了帕金森科目边际的结果。此外,假阳性的进展,再显示真阳性率低,因此,导致低AUC。另一方面,虽然评价中国,发现朴素贝叶斯和优越的精度优于。因此,拟议的协作特性朴素贝叶斯是帕金森的实用方法检测。在最后阶段的分析,提出了协作功能帕金森检测系统已与当前先进的基于函数的方法相比,即,Avuclu和艾伦18),Bourouhou et al。19),Zhang et al。20.),Meghraoui et al。21),Kadiri et al。22),Polat和努尔25),熊和陆26)和Mekyska et al。28]。因为我们的方法是基于一种基于函数的方法,大部分的方法比较属于基于函数的方法,如朴素贝叶斯和支持向量机(SVM)。比较两组不同的性能进行了矩阵。首先,标准的检测精度已被用于比较(表9)。最后,基于朴素贝叶斯的帕金森病检测机制进行比较和分析使用许多其他额外的性能矩阵和展示在表10。
最近五个帕金森病检测的检测结果(PDD)计划被列在下表中9随着提出协作PDD方案。所有这些方法基于函数的方法。已经观察到,该合作方式声称最高的检测精度和相对最低的声音特征。虽然Kadiri的支持向量机方法等。22)显示,73.32%检测精度,这是接近我们的方法,但与此同时,使用没有明确强调声音特性。
详细的比较通过额外的性能措施有助于可视化的能力比其他朴素贝叶斯方法建议的方法。对于这种比较,Avuclu和艾伦18)和Bourouhou et al。19方法是考虑。根据表10Avuclu和艾伦(18]方法灵敏度最高得分为0.949。因此,有关方法表明,94.9%的帕金森主题是发现在帕金森科目。另一方面,我们建议的PD检测模型更精确,精确率0.926。此外,它显示了假阳性率最低检测对照组帕金森氏症。
5。讨论、局限性和未来的工作
像任何其他检测模型,该方法也存在一些限制。该模型是基于语音信号数据集提供的部门Cerrahpaşa神经病学的医学院,伊斯坦布尔。持续元音的发音上升不同地理区域的不同。结果,该模型可以生成大量假阳性或假阴性的声音信号的其他大洲。因此,它是至关重要的对其他语音信号数据集的进一步评估。未来的工作,该模型可以扩展到一个图形用户界面模式一定范围在不同训练帕金森信号数据集。性别和年龄的其他方面,需要一个详细的调查,该方法缺乏。应该注意的是,性别和年龄扮演了一个重要的角色在声乐表现为控制和帕金森科目(36,37]。不平衡数据集有关疾病年龄和性别构成相当大的问题,对检测过程(36- - - - - -39]。因此,参与者的数量数据集应该平衡基于性别和年龄对帕金森症和控制类。性别和年龄参数的评估是失踪在这个研究工作,仍将是一个限制。疾病的严重程度是另一个因素,它允许一个探测器PD的确定阶段。在未来,该工作可以建模来预测疾病的严重程度。
好帕金森检测数据集包含主题需要解决声学特性的各种因素如性别有关年龄的平衡,麦克风质量、噪声、分析过程的鲁棒性,许多主题,疾病严重程度和药物的影响。最近,Rusz et al。40]提供了一个指南的演讲录音,声学数据集用于帕金森病检测做准备。这里的数据集被认为是地址和满足几乎所有上述参数。然而,它仍然未能揭示疾病的严重程度,这是一个关键问题对于任何帕金森探测系统依赖于所使用的数据集。因此,拟议的工作需要验证疾病严重程度的预测,这将使应用程序实际临床使用。
同样,将事件驱动的方法可能改善建议的解决方案的性能的计算效率,压缩和功耗(41- - - - - -44]。未来的工作考虑这些方面可能会调查。
6。结论
在本文中,提出了协作PDD模型。模型依赖于声襞,时间频率,控制和帕金森对象的基线特征。这些声音特性通过相关性排名第一,费舍尔得分,和相互信息化特征选择方案。按顺序排名功能通过了许多分类器,朴素贝叶斯进化成为最好的分类器模型。特征点也确定了基于朴素贝叶斯报告的检测精度最高。基于这些特征点选择相关特性。总共7排名从声襞特性已经被选择,段时间频率和基线特征。基于排名7的功能检测模型展示了前景检测的准确性和精度为0.926 78.97%,在尚未签署的交叉验证。该模型也被与其他基于函数的检测模型相比,我们的PD检测模型被证明是准确和精确。最后,一个广泛的讨论进行了有关的缺点和未来方向提出帕金森检测模型。
数据可用性
本文使用的数据集是公开通过UCI机器学习库的标签和链接如下:(一)帕金森病分类数据集(https://archive.ics.uci.edu/ml/datasets/Parkinson%27s +疾病分类);(b)意大利帕金森的声音和语言(https://ieee-dataport.org/open-access/italian-parkinsons-voice-and-speech文件)。
的利益冲突
作者宣称没有利益冲突有关的出版。