《Neurocomputing》：A HEURISTIC APPROACH TO HLCA-BASED FEATURE EXTRACTION USING A GRU MODEL FOR PARKINSON'S DISEASE DETECT
编辑推荐：
帕金森病早期检测与进展分类中提出HLCA-GRU框架，通过特征降维与时序学习提升分类性能，优于传统机器学习和深度学习方法。
Rambabu Mudusu|K Venkatanareshbabu
印度果阿国立理工学院
摘要
帕金森病（PD）在运动症状和非运动症状方面具有异质性，因此难以确定其严重程度和进展情况。传统的临床评估量表（如UPDRS）存在主观性和资源依赖性，因此需要自动化解决方案。本研究提出了一种新颖的HLCA-GRU模型，该模型结合了启发式线性成分分析（HLCA）来减少特征冗余，并利用门控循环单元（GRU）来学习帕金森病进展标记计划（PPMI）数据集中的语音和临床特征的时间动态。该技术与支持向量机（SVM）、随机森林（RF）、卷积神经网络（CNN）和长短期记忆网络（LSTM）等基线模型进行了比较，显示出更高的准确性、精确度、召回率和F1分数。这些结果表明，该框架能够实现可靠的帕金森病早期检测和进展分类，从而推动有用的临床决策支持系统的发展。本研究的新颖之处在于通过HLCA-GRU框架将启发式特征优化与时间序列学习相结合，有效减少了特征冗余，同时捕捉了纵向模式，提高了帕金森病早期检测和进展分析的鲁棒性和可解释性。
章节摘录
引言
帕金森病（PD）是一种非传染性神经退行性疾病，其运动和非运动症状缺乏典型模式，因此需要尽早诊断并持续监测整个病程以防止疾病发展[1]。目前的临床标准仍是传统的评估量表（如统一帕金森病评分量表UPDRS），但这些量表具有主观性，主要依赖于专家的意见[2]。机器学习（ML）等技术可以
PPMI数据集
本研究使用帕金森病进展标记计划（PPMI）数据集，这是一个公开的纵向资源，用于辅助帕金森病的生物标志物发现和疾病进展建模。该数据集包含约600名患者（400名早期帕金森病患者和200名健康对照组）以及约3,000条纵向临床记录，数据以多模态格式提供，变量包括MDS-UPDRS运动指标等概念
帕金森病的运动和非运动症状的异质性导致了复杂且高维的生物医学表型，这些表型往往存在关联性和冗余性。这种异质性使得疾病及其发展变化的分类变得困难，因为传统模型容易过拟合并失去泛化能力。为了解决这一问题，本研究提出的框架结合了HLCA和GRU网络。HLCA作为预处理步骤，可以减少特征冗余结果与讨论
所提出的HLCA-GRU框架旨在将帕金森病的严重程度分为多个阶段，而非简单的二元分类。为保持一致性，所有输出结果均采用多类严重程度标签的形式。数据集中各严重程度阶段的分布不平衡，因此训练过程中使用了SMOTE算法来生成少数类别的人工样本，从而平衡类别分布并消除不平衡现象结论
所提出的HLCA-GRU框架通过结合启发式线性成分分析和门控循环单元，有效解决了帕金森病分类中的特征冗余和时间依赖性问题。与现有的机器学习和深度学习方法相比，这种混合方法提高了模型的泛化能力、稳定性和可解释性。HLCA-GRU框架的主要优势在于其在改善帕金森病分类方面的显著效果研究范围
未来的研究将致力于在更大规模的多模态数据集上验证HLCA-GRU框架的有效性，改进缺失数据的管理方法，提高其临床应用的可解释性，并将该方法推广到其他神经退行性疾病。此外，还将结合多种数据来源（如MRI、EEG、步态记录）以增强临床可解释性，并通过不同患者群体的外部验证来提升模型的实用性资金情况
所有作者均表示未为此项目获得任何资金支持。作者贡献声明
K Venkatanareshbabu:撰写——审稿与编辑、初稿撰写、资源准备、方法论设计、概念构建。Rambabu Mudusu:撰写——审稿与编辑、初稿撰写、资源准备、方法论设计、概念构建。利益冲突声明
作者声明没有可能影响本文研究的已知财务利益或个人关系。Rambabu Mudusu先生正在印度果阿国立理工学院（NIT）计算机科学与工程系攻读博士学位，同时担任海得拉巴KG Reddy工程与技术学院的助理教授。他拥有16年的教学经验，发表了多篇国际知名期刊的研究论文，并申请了4项专利，其中1项已获得批准。他的研究兴趣包括机器学习、深度学习和信息处理领域
