COMPREHENSIVE MACHINE LEARNING AND DEEP LEARNING APPROACHES FOR PARKINSON'S DISEASE CLASSIFICATION AND SEVERITY ASSESSMENT

W tym badaniu naszym celem było przyjęcie kompleksowego podejścia do kategoryzacji i oceny ciężkości choroby Parkinsona poprzez wykorzystanie technik zarówno uczenia maszynowego, jak i głębokiego uczenia. Dokładnie oceniliśmy skuteczność różnych modeli, w tym XGBoost, Random Forest, Multi-Layer Perceptron (MLP) i Recurrent Neural Network (RNN), wykorzystując wskaźniki klasyfikacji. Wygenerowaliśmy szczegółowe raporty, aby ułatwić kompleksową analizę porównawczą tych modeli. Warto zauważyć, że XGBoost wykazał najwyższą precyzję na poziomie 97,4%. Ponadto poszliśmy o krok dalej, opracowując model Gated Recurrent Unit (GRU) w celu połączenia przewidywań z alternatywnych modeli. Oceniliśmy jego zdolność do przewidywania nasilenia dolegliwości. Aby określić ilościowo poziomy dokładności modeli w klasyfikacji chorób, obliczyliśmy wartości procentowe nasilenia. Ponadto stworzyliśmy krzywą charakterystyki operacyjnej odbiornika (ROC) dla modelu GRU, upraszczając ocenę jego zdolności do rozróżniania różnych poziomów nasilenia. To kompleksowe podejście przyczynia się do dokładniejszego i bardziej szczegółowego zrozumienia oceny ciężkości choroby Parkinsona.

Słowa kluczowe:

choroba Parkinsona, ocena ciężkości, uczenie maszynowe, XGBoost, Gated Recurrent Unit (GRU), analiza porównawcza

Bibliografia

Abunadi I.: Deep and hybrid learning of MRI diagnosis for early detection of the progression stages in Alzheimer's disease. Connect. Sci. 34, 2022, 2395–2430. DOI: https://doi.org/10.1080/09540091.2022.2123450

Balaji E. et al.: Automatic and non-invasive Parkinson's disease diagnosis and severity rating using LSTM network. Applied Soft Computing 108, 2021, 107463. DOI: https://doi.org/10.1016/j.asoc.2021.107463

Benba A., Jilbab A., Et Hammouch A.: Analysis of multiple types of voice recordings in cepstral domain using MFCC for discriminating between patients with Parkinson's disease and healthy people. International Journal of Speech Technology 19, 2016, 449-456. DOI: https://doi.org/10.1007/s10772-016-9338-4

Bourdenx M. et al.: Identification of distinct pathological signatures induced by patient-derived ?-synuclein structures in nonhuman primates. Science advances 6(20), 2020, eaaz9165.

Chaudhuri K. R., Schapira A. H.: Non-motor symptoms of Parkinson's disease: Dopaminergic pathophysiology and treatment. Lancet Neurol. 8, 2009, 464–474. DOI: https://doi.org/10.1016/S1474-4422(09)70068-7

El Bakali S., Ouadi H., Saad G.: Day-ahead seasonal solar radiation prediction, combining VMD and STACK algorithms. Clean Energy 7(4) (2023), 911–925. DOI: https://doi.org/10.1093/ce/zkad025

Erdogdu Sakar B., Serbes G., Sakar C. O.: Analyzing the effectiveness of vocal features in early telediagnosis of Parkinson's disease. PLoS ONE 12(8), 2017, e0182428. DOI: https://doi.org/10.1371/journal.pone.0182428

Gelly G.: Reseaux de neurones recurrents pour le traitement automatique de la parole. Ph.D. thesis, Université Paris Saclay (COmUE), Paris 2017.

Gheouany S. et al.: Experimental validation of multi-stage optimal energy management for a smart microgrid system under forecasting uncertainties. Energy Conversion and Management 291, 2023, 117309. DOI: https://doi.org/10.1016/j.enconman.2023.117309

Grover S., Bhartia S., Yadav A., Seeja K.: Predicting severity of Parkinson's disease using deep learning. Procedia Comput. Sci. 132, 2018, 1788-1794. DOI: https://doi.org/10.1016/j.procs.2018.05.154

Guo R. et al.: Degradation state recognition of piston pump based on ICEEMDAN and XGBoost. Applied Sciences 10(18), 2020, 6593. DOI: https://doi.org/10.3390/app10186593

Gupta I. et al.: PCA-RF: an efficient Parkinson's disease prediction model based on random forest classification. 2022, arXiv preprint arXiv:2203.11287.

Gürüler H.: A novel diagnosis system for Parkinson's disease using complex-valued artificial neural network with k-means clustering feature weighting method. Neural Computing & Applications 28(7), 2017, 1657-1666. DOI: https://doi.org/10.1007/s00521-015-2142-2

Kumar A. et al.: A new Diagnosis using a Parkinson's Disease XGBoost and CNN-based classification model Using ML Techniques. International Conference on Advanced Computing Technologies and Applications – ICACTA. Coimbatore 2022, 1–6.

Little M., McSharry P., Hunter E., Spielman J., Ramig L.: Suitability of dysphonia measurements for telemonitoring of Parkinson's disease. Nat. Preced. 2008. DOI: https://doi.org/10.1038/npre.2008.2298.1

Majdoubi O., Benba A., Hammouch A.: Classification of Parkinson's disease and other neurological disorders using voice features extraction and reduction techniques. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska – IAPGOS 13(3), 2023, 16-22. DOI: https://doi.org/10.35784/iapgos.3685

Poewe W., Seppi K., Tanner C., Halliday G., Brundin P., Volkmann J., Schrag A., Lang A.: Parkinson disease. Nat. Rev. Dis. Prim. 3, 2017, 17013. DOI: https://doi.org/10.1038/nrdp.2017.13

Prakash P., Sebban M., Habrard A., Barthelemy J.-C., Roche F., Pichot V.: Détection automatique des apnées du sommeil sur l'ECG nocturne par un apprentissage profond en réseau de neurones récurrents (RNN). Médecine du Sommeil 18(1), 2021, 43-44. DOI: https://doi.org/10.1016/j.msom.2020.11.077

Quan C., Ren K., Luo Z., Chen Z., Ling Y.: End-to-end deep learning approach for Parkinson's disease detection from speech signals. Biocybern. Biomed. Eng. 42, 2022, 556-574. DOI: https://doi.org/10.1016/j.bbe.2022.04.002

Rehman A. et al.: Parkinson's disease detection using hybrid lstm-gru deep learning model. Electronics 12(13), 2023, 2856. DOI: https://doi.org/10.3390/electronics12132856

Sharanyaa S., Renjith P. N., Ramesh K.: An exploration on feature extraction and classification techniques for dysphonic speech disorder in Parkinson's Disease. Inventive Communication and Computational Technologies – ICICCT. Singapore, 2022. DOI: https://doi.org/10.1007/978-981-16-5529-6_4

Sriram T. V. S., Rao M. V., Narayana G. V. S., Kaladhar D. S. V. G. K.: Diagnosis of Parkinson disease using machine learning and data mining systems from voice dataset. 3rd International Conference on Frontiers of Intelligent Computing: Theory and Applications – FICTA. Berlin, 2014, 151–157. DOI: https://doi.org/10.1007/978-3-319-11933-5_17

Tallapureddy G., Radha D.: Analysis of Ensemble of Machine Learning Algorithms for Detection of Parkinson's Disease. International Conference on Applied Artificial Intelligence and Computing – ICAAIC. Salem, 2022, 354–361. DOI: https://doi.org/10.1109/ICAAIC53929.2022.9793048

Yasar A., Saritas I., Sahman M., Cinar A.: Classification of Parkinson disease data with artificial neural networks. IOP Conf. Ser. Mater. Sci. Eng. 675, 2019, 012031. DOI: https://doi.org/10.1088/1757-899X/675/1/012031

Majdoubi, O., Benba, A., & Hammouch, A. (2023). KOMPLEKSOWE METODY UCZENIA MASZYNOWEGO I UCZENIA GŁĘBOKIEGO DO KLASYFIKACJI CHOROBY PARKINSONA I OCENY JEJ NASILENIA . Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 13(4), 15–20. https://doi.org/10.35784/iapgos.5309

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 4 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja