Ключевые результаты
Исследователи разработали новый алгоритм Enhanced Ensemble Feature Selection Algorithm (EEFSA) в комбинации со Stacking Ensemble Classifier Model (SECM) для диагностики болезни Паркинсона на основе анализа речи. Система продемонстрировала высокую точность: 86.67% на первом тестовом наборе данных и 89.95% на втором наборе, превзойдя результаты отдельных классификаторов.
Методология
Исследование основано на анализе двух эталонных аудиоданных:
- Набор данных 1: 46 признаков, 80 образцов речи
- Набор данных 2: 754 признака, 252 образца речи
Предложенный алгоритм EEFSA объединяет фильтрующий, оберточный и встроенный подходы для:
- Извлечения наиболее информативных признаков
- Устранения избыточности данных
- Повышения производительности классификации
Aлгоритм сократил количество признаков до 20 в первом наборе данных и до 40 во втором. Исследователи протестировали 9 различных классификаторов машинного обучения, а затем объединили лучшие из них в ансамблевую модель с логистической регрессией в качестве мета-классификатора.
Клиническое значение
Болезнь Паркинсона — прогрессирующее неврологическое расстройство, ранние симптомы которого часто остаются незамеченными, что затрудняет своевременную диагностику. Предложенный метод предлагает новый подход к выявлению тонких речевых биомаркеров, которые невозможно обнаружить стандартными методами.
Преимущества разработанной системы EEFSA-SECM:
- Снижение размерности данных без потери диагностической ценности
- Значительное сокращение времени обучения моделей
- Минимизация переобучения
- Улучшение показателей AUC (площадь под ROC-кривой)
Выводы
Предложенная комбинация методов EEFSA-SECM представляет собой эффективный инструмент для анализа речевых параметров при болезни Паркинсона. Комбинирование ансамблевого отбора признаков и стекингового классификатора позволило достичь высоких показателей точности при конкурентоспособном времени обработки данных.
Результаты исследования показывают потенциал методов машинного обучения для создания неинвазивных диагностических инструментов, способных выявлять болезнь Паркинсона на ранних стадиях. Дальнейшая валидация и клиническая апробация этих алгоритмов может привести к внедрению новых цифровых биомаркеров в клиническую практику для ранней диагностики болезни Паркинсона.