Detection of Automated Parkinson’s disease and Multi Level Feature Enhancement using Artificial Intelligence Techniques
Notice bibliographique
Résumé
Early diagnosis and ongoing symptom monitoring are vital for improving life quality in Parkinson's Disease (PD). This study presents a new diagnostic system called the Detection of Automated Parkinson’s Disease and Multi Level Feature Enhancement using Artificial Intelligence Techniques (DAPMLA) model, which aims to improve current methods' accuracy and efficiency. The model uses data from sensors and sketches, along with advanced machine learning techniques, to identify early signs of PD. It incorporates L1-Norm Support Vector Machines (SVM) for selecting important features and uses the Relief algorithm to evaluate feature importance. The dataset includes features from both frequency analysis and sketches, and it trains various algorithms such as CatBoost, XGBoost, Random Forests, AdaBoost, and SVM for classifying PD. The DAPMLA model shows impressive performance, achieving 100% accuracy with balanced data and outperforming existing models. It has a high AUC score of 0.96, indicating good sensitivity and specificity. The DAPMLA model also shows zero false positives and negatives, demonstrating its reliability. A frequency analysis feature helps distinguish important signals, aiding in the understanding of voice and movement indicators of PD. DAPMLA is modular and easy to implement in healthcare systems. Its lightweight nature makes it suitable for remote diagnostics and telemedicine, providing effective, cost-efficient, and noninvasive monitoring.
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 | 0,001 |
| 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 ».