An Enhanced Chaos-Based Firefly Model for Parkinson's Disease Diagnosis and Classification
Notice bibliographique
Résumé
Many researchers are currently attracted to develop predictive models like telediagnosis and telemonitoring by analyzing speech pattern for diagnosing Parkinson's disease (PD). For this purpose, a novel predictive model is proposed in this study by combining an enhanced chaos-based firefly algorithm (ECFA) and support vector machine (SVM) learning with RBF kernel, termed as ECFA-SVM, for Parkinson's disease diagnosis. The ECFA model will identify relevant combination of features that will help SVM in building an effective predictive model for PD dataset. In this study, selecting genetic algorithm (GA) enhances the functional characteristic of CFA by generating diversified initial candidate fireflies of the population which is then used by the CFA to update the position of candidates for the next iteration, thereby produces optimal subset of features based on SVM. The effectiveness of the model is then assessed on a set of performance metrics such as size of the feature subset, classification accuracy, sensitivity, precision, specificity, ROC area, and F-measure applying on PD dataset obtained from UCI repository. The efficiency of the model is established comparing against GA-SVM and CFA-SVM models on the same PD dataset. The comparison of the performance of the models was studied from four important perspectives such as the number of features, classification accuracy, area under ROC curve and error matrix to make sure its superiority of feature selection and classification over the counterparts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».