Voice biomarkers as prognostic indicators for Parkinson’s disease using machine learning techniques
Notice bibliographique
Résumé
Many people suffer from Parkinson's disease globally, a complicated neurological condition caused by the deficiency of dopamine, an organic chemical responsible for regulating movement in individuals. Patients with Parkinson face muscle stiffness or rigidity, tremors, vocal impairment, slow movement, loss of facial expressions, and problems with balance and coordination. As there is no cure for Parkinson, early diagnosis can help prevent the progression of this disease. The study explores the potential of vocal measures as significant indicators for early prediction of Parkinson. Different machine learning models such as Support Vector Machine (SVM), Random Forest (RF), Logistic Regression (LR), and Decision Tree (DT) are used to detect Parkinson using voice measures and differentiate between the healthy and Parkinson patients. The dataset contains 195 vocal recordings from 31 patients. The Synthetic Minority Over-Sampling Technique (SMOTE) is used for handling class imbalance to improve the performance of the models. The Principal Component Analysis (PCA) method was used for feature selection. The study uses different parameters to evaluate the model's classification results. The results highlight RF as the most effective model with an accuracy of 94% and a precision of 94%. In addition, SVM achieves an accuracy score of 92%, and precision of 91%. However, with the PCA method, SVM achieves an accuracy of 89%, 92%, and 87% for RF and DT respectively. This study highlights the significance of using vocal features along with advanced machine learning methods to reliably diagnose Parkinson's disease, considering the challenges associated with early detection.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».