Resumen

Este artículo presenta un enfoque de aprendizaje automático para la detección de la enfermedad de Parkinson. Se determinan las características potenciales de señales acústicas múltiples de sujetos con Parkinson y de control. Se crea un banco de características colaboradoras mediante esquemas de selección de características correlacionadas, selección de características de puntuación de Fisher y selección de características basadas en información mutua. Se ha desarrollado un modelo de detección sobre el banco de características utilizando el método tradicional Naïve Bayes, que ha demostrado ser el más avanzado. El detector Naïve Bayes sobre características acústicas colaborativas puede detectar magníficamente la presencia del Parkinson con una precisión de detección del 78,97 y una precisión de 0,926 en la validación cruzada. El banco de características colaborativas sobre Naïve Bayes reveló resultados distinguibles en comparación con muchos otros enfoques propuestos recientemente. La simplicidad de Naïve Bayes hace que el sistema sea robusto y eficaz durante todo el proceso de detección.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:Parkinson, Naïve Bayes, banco de características, selección de características por puntuación de Fisher, características potenciales de señales acústicas múltiples, detector Naïve Bayes, características acústicas colaborativas, banco de características colaborativas, esquemas de selección de características, Naïve Bayes tradicional.
• Keywords:Parkinson, Naïve Bayes, feature bank, Fisher score feature selection, Potential multiple acoustic signal features, Naïve Bayes detector, collaborative acoustic features, collaborative feature bank, feature selection schemes, traditional Naïve Bayes