针对帕金森病早期检测和分类的优化学习框架方法

《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES INDIA SECTION A-PHYSICAL SCIENCES》：Optimized Learning Framework Approaches for Early Detection and Classification of Parkinson’s Disease

帕金森病早期检测方法研究采用ANFIS-GWO模型，通过特征提取与选择优化模型性能，利用灰色狼优化算法调整ANFIS参数，在166人步态数据集上对比了NN、ANFIS、GA-ANFIS和PSO，结果显示ANFIS-GWO准确率达99.8%，显著优于其他方法。

　　

摘要

近年来，用于评估帕金森病（PD）的进展监测和诊断设备变得越来越重要。帕金森病的早期检测和康复可以提高患者的治疗效果，从而有助于快速做出诊断决策。总体而言，整个研究工作分为两个部分：一是特征提取与选择；二是疾病的早期检测。在第一部分中，探讨了特征选择技术如何影响各个模型的准确性。在第二部分中，提出了一种基于ANFIS和灰狼优化（GWO）的帕金森病早期检测模型。通过使用Physionet数据库中的166人步态数据集，对比了不同的优化方法（如MSE、准确率、计算时间、迭代次数和训练周期数），结果表明ANFIS+GWO模型相较于神经网络（NN）、自适应神经模糊推理系统（ANFIS）、ANFIS与遗传算法（GA）的结合以及粒子群优化（PSO）具有更好的性能。其中，ANFIS+GWO模型的最高准确率达到99.8%，优于近期文献中用于帕金森病预测的其他优化方法。

近年来，用于评估帕金森病（PD）的进展监测和诊断设备变得越来越重要。帕金森病的早期检测和康复可以提高患者的治疗效果，从而有助于快速做出诊断决策。总体而言，整个研究工作分为两个部分：一是特征提取与选择；二是疾病的早期检测。在第一部分中，探讨了特征选择技术如何影响各个模型的准确性。在第二部分中，提出了一种基于ANFIS和灰狼优化（GWO）的帕金森病早期检测模型，通过灰狼优化（GWO）调整ANFIS模型的参数。使用Physionet数据库中的166人步态数据集，通过MSE、准确率、计算时间、迭代次数和训练周期数等评估指标对比了不同的优化方法，结果表明ANFIS+GWO模型相较于神经网络（NN）、自适应神经模糊推理系统（ANFIS）、ANFIS与遗传算法（GA）的结合以及粒子群优化（PSO）具有更好的性能。其中，ANFIS+GWO模型的最高准确率达到99.8%，优于近期文献中用于帕金森病预测的其他优化方法。