基于双时间门控多图卷积网络的神经退行性疾病检测与严重程度预测优化模型研究

本文推荐：作者提出了一种创新的优化双时间门控多图卷积网络（ODTGMCN-NDD-SP），结合事件触发分布式卡尔曼滤波（ET-DKF）和指数距离变换（EDT）进行步态数据预处理，并引入瓢虫优化算法（LBO）调参。该模型在神经退行性疾病（NDD）检测中达到99.45%准确率，为非侵入性早期诊断提供了高效解决方案。

　　

Highlight

本研究亮点在于提出了一种融合双时间门控多图卷积网络（DTGMCN）与瓢虫优化算法（LBO）的创新方法，显著提升了神经退行性疾病（NDD）的检测与严重程度预测性能。通过事件触发分布式卡尔曼滤波（ET-DKF）和指数距离变换（EDT）实现高精度步态特征提取，模型在帕金森病（PD）、亨廷顿病（HD）和肌萎缩侧索硬化（ALS）分类中表现卓越。

Materials and methods

研究采用多阶段流程：首先通过ET-DKF去噪处理步态数据，再利用EDT提取时序特征，最终由DTGMCN分类。LBO算法动态优化网络参数，实验基于Python平台，采用十折交叉验证评估性能。

Proposed methodology

方法论核心为：1）ET-DKF预处理消除噪声；2）EDT捕获步态时空差异特征；3）DTGMCN构建多图结构分析疾病特异性模式；4）LBO优化权重参数，提升模型灵敏度与特异性。

Result and discussion

实验结果显着：准确率99.45%、召回率97%、精确度98.23%，显著优于现有PSDTD-KNN和3D CNN模型。步态动力学分析证实该方法能有效区分PD、HD与ALS的早期症状，为临床诊断提供可靠量化指标。

Conclusion

ODTGMCN-NDD-SP模型通过融合图卷积与生物启发优化算法，实现了NDD的高精度分类与进展预测，为开发低成本、非侵入性诊断工具开辟了新途径。未来可扩展至其他运动障碍疾病的智能辅助诊断系统。