Detección de la enfermedad de Parkinson utilizando un modelo de aprendizaje profundo híbrido LSTM-GRU
Autores: Rehman, Amjad; Saba, Tanzila; Mujahid, Muhammad; Alamri, Faten S.; ElHakim, Narmine
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección de la enfermedad de Parkinson utilizando un modelo de aprendizaje profundo híbrido LSTM-GRU
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Enfermedad de Parkinson
Detección
Métodos de aprendizaje automático
Conjunto de datos
Anomalías de voz
Técnicas de muestreo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 163
Citaciones: Sin citaciones
La enfermedad de Parkinson es la segunda causa más común de muerte y discapacidad, así como el trastorno neurológico más prevalente. En los últimos 15 años, el número de casos de EP se ha duplicado. La detección precisa de la EP en las primeras etapas es una de las tareas más desafiantes para garantizar que las personas puedan seguir viviendo con la menor interferencia posible. Sin embargo, no hay suficientes neurólogos capacitados en todo el mundo para detectar la enfermedad de Parkinson en sus primeras etapas. Los métodos de aprendizaje automático basados en inteligencia artificial han adquirido mucha popularidad en las últimas décadas en la detección de enfermedades médicas. Sin embargo, estos métodos no proporcionan un diagnóstico preciso y oportuno. La precisión general de detección de los modelos relacionados con el aprendizaje automático es inadecuada. Este estudio recopiló datos de 31 pacientes masculinos y femeninos, incluyendo 195 voces. Aproximadamente se crearon seis grabaciones por paciente, con una duración de cada grabación de 1 a 36 s. Estas voces se grabaron en un estudio insonorizado utilizando un micrófono de diadema AKG-C420 de la compañía Industrial Acoustics Company (IAC). El conjunto de datos se recopiló para investigar la importancia diagnóstica de las anormalidades del habla y la voz causadas por la enfermedad de Parkinson. Un conjunto de datos desequilibrado es el principal contribuyente de sobreajuste del modelo y errores de generalización, por lo que una clase tiene la mayoría de las muestras y la otra clase tiene muestras minoritarias. Este problema se aborda en este estudio utilizando las tres técnicas de muestreo. Después de equilibrar los conjuntos de datos, cada clase tiene el mismo número de muestras, lo que ha demostrado ser valioso para mejorar el rendimiento del modelo y reducir el problema de sobreajuste. Cuatro métricas de rendimiento como precisión, exactitud, recall y puntuación f1 se utilizan para evaluar la efectividad del modelo híbrido propuesto. Los experimentos demostraron que el modelo propuesto logró una precisión, recall y puntuación f1 del 100% utilizando el conjunto de datos equilibrado con la técnica de sobremuestreo aleatorio y una precisión del 100%, recall del 97%, puntuación AUC del 99% y puntuación f1 del 91% con la técnica SMOTE.
Descripción
La enfermedad de Parkinson es la segunda causa más común de muerte y discapacidad, así como el trastorno neurológico más prevalente. En los últimos 15 años, el número de casos de EP se ha duplicado. La detección precisa de la EP en las primeras etapas es una de las tareas más desafiantes para garantizar que las personas puedan seguir viviendo con la menor interferencia posible. Sin embargo, no hay suficientes neurólogos capacitados en todo el mundo para detectar la enfermedad de Parkinson en sus primeras etapas. Los métodos de aprendizaje automático basados en inteligencia artificial han adquirido mucha popularidad en las últimas décadas en la detección de enfermedades médicas. Sin embargo, estos métodos no proporcionan un diagnóstico preciso y oportuno. La precisión general de detección de los modelos relacionados con el aprendizaje automático es inadecuada. Este estudio recopiló datos de 31 pacientes masculinos y femeninos, incluyendo 195 voces. Aproximadamente se crearon seis grabaciones por paciente, con una duración de cada grabación de 1 a 36 s. Estas voces se grabaron en un estudio insonorizado utilizando un micrófono de diadema AKG-C420 de la compañía Industrial Acoustics Company (IAC). El conjunto de datos se recopiló para investigar la importancia diagnóstica de las anormalidades del habla y la voz causadas por la enfermedad de Parkinson. Un conjunto de datos desequilibrado es el principal contribuyente de sobreajuste del modelo y errores de generalización, por lo que una clase tiene la mayoría de las muestras y la otra clase tiene muestras minoritarias. Este problema se aborda en este estudio utilizando las tres técnicas de muestreo. Después de equilibrar los conjuntos de datos, cada clase tiene el mismo número de muestras, lo que ha demostrado ser valioso para mejorar el rendimiento del modelo y reducir el problema de sobreajuste. Cuatro métricas de rendimiento como precisión, exactitud, recall y puntuación f1 se utilizan para evaluar la efectividad del modelo híbrido propuesto. Los experimentos demostraron que el modelo propuesto logró una precisión, recall y puntuación f1 del 100% utilizando el conjunto de datos equilibrado con la técnica de sobremuestreo aleatorio y una precisión del 100%, recall del 97%, puntuación AUC del 99% y puntuación f1 del 91% con la técnica SMOTE.