IEEE trans:哈希转换和机器学习的决策分类器提高了帕金森病筛查的准确率

2021-05-21 MedSci原创 MedSci原创

帕金森病（Parkinson’s disease，PD）是一种常见的神经系统变性疾病，老年人多见，平均发病年龄为60岁左右，40岁以下起病的青年帕金森病较少见。我国65岁以上人群PD的患病

帕金森病（Parkinson’s disease，PD）是一种常见的神经系统变性疾病，老年人多见，平均发病年龄为60岁左右，40岁以下起病的青年帕金森病较少见。我国65岁以上人群PD的患病率大约是1.7%。大部分帕金森病患者为散发病例，仅有不到10%的患者有家族史。帕金森病最主要的病理改变是中脑黑质多巴胺（dopamine, DA）能神经元的变性死亡，由此而引起纹状体DA含量显著性减少而致病。导致这一病理改变的确切病因目前仍不清楚，遗传因素、环境因素、年龄老化、氧化应激等均可能参与PD多巴胺能神经元的变性死亡过程。

震颤是帕金森病常见的首发症状，约75%病人首先出现该症状。震颤是由于肢体的协同肌与拈抗肌连续发生连续的节律性的收缩与松弛所致。帕金森病典型的震颤为静止性震颤，即病人在安静状态或全身肌肉放松时出现，甚至表现更明显。震颤频率为4～6Hz，震颤常最先出现于一侧上肢远端，典型的表现是拇指与屈曲的食指间呈“搓九样”震颤，随着病情的发展，震颤渐波及整个肢体，甚至影响到躯干，并从一侧上肢扩展至同侧下肢及对侧上下肢，下颌、口唇，舌头及头部一般最后受累。上、下肢均受累时；上肢震颤幅度大于下肢。只有极少数病人震颤仅出现于下肢。

手绘图像基于震颤严重性级别不同，包括震颤波动（震颤幅度和震颤频率），手绘动作和绘图期间消耗的时间。考虑到抑制受试者中抑制震颤的手绘行动，姿势和能力的差异，产生了不同的特征绘制模式。而且，对于相同的作品或绘图模板，具有PD的患者将在写作或绘图上花费更多时间。此外，手绘图案是可再现的，并且易于获得，因此是一种良好的用于评估PD患者的严重程度筛选方法。不需要受试者在其手上佩戴任何传感器。它的方式可用于改善医疗保健，并降低PD患者的成本。

在本研究中，使用Apple铅笔的iPad用于数字化手绘模式，在使用筛选算法之前，可以通过数字传感器记录登记的受试者的手写轨迹来评估震颤水平频谱分析，绘图速度。然后，基于机器学习的方法，本算法使用改进的多层非线性神经网络，可用于将特征图与高维特征空间中的高维空间和非线性超平面转换。使用的哈希转换和PSO算法进行分类识别，提高筛查准确率。

系统识别震颤流程图

21名健康人，5名ET患者，21名PD患者。受试者绘制螺旋和直线。使用哈希转换以算出散列函数转换特征模式。在分类阶段，使用多层神经网络，即广义回归神经网络（GRNN），进行训练并分类。从24个正常对照受试者，5ET受试者和21个PD受试者中随机收集总共100个螺旋模式和100条直线。随机选择25个配对特征模式（k = 25）以在学习阶段（25％特征模式）中训练分类器，并且剩余的75对（75％特征模式）用于评估调用阶段的分类器。在学习或测试阶段，使用三个哈希函数将每个成对输入特征传送到哈希特征空间，并通过最大散列值标准化，建立基于GRNN的分类器。该模型能够解决非线性可分离分类问题。系统精度率可从88.27％提高至98.93％。

总之，本文所提出的筛查模型可能是神经科学家在初步诊断和提供及时和适当的治疗以及家庭医疗保健监测应用中的有前途的工具。

T. -L. Yang, C. -H. Lin, W. -L. Chen, H. -Y. Lin, C. -S. Su and C. -K. Liang, "Hash Transformation and Machine Learning-Based Decision-Making Classifier Improved the Accuracy Rate of Automated Parkinson’s Disease Screening," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 1, pp. 72-82, Jan. 2020, doi: 10.1109/TNSRE.2019.2950143.

版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言