Resumen

La enfermedad de Parkinson es una enfermedad crónica común que afecta a un gran número de personas. Sin embargo, en el mundo real, la enfermedad de Parkinson puede provocar una pérdida de rendimiento físico, que los médicos clasifican como trastorno del movimiento. En la actualidad, la enfermedad de Parkinson se diagnostica principalmente a través de los síntomas clínicos, que dependen en gran medida de la experiencia del médico. Por ello, se necesitan métodos eficaces de detección precoz. Los algoritmos tradicionales de aprendizaje automático filtran muchas características inherentemente relevantes en el proceso de reducción de dimensionalidad y clasificación de características, lo que reduce el rendimiento del modelo de clasificación. Para resolver este problema y garantizar una alta correlación entre las características al tiempo que se reduce la dimensionalidad para lograr el objetivo de mejorar el rendimiento de la clasificación, este artículo propone un modelo de clasificación de red neuronal recurrente basado en la autoatención y la percepción del movimiento. Utilizando una combinación de mecanismo de autoatención y red neuronal recurrente, así como sensores inerciales portátiles, el modelo clasifica y entrena las cinco características de áreas cerebrales extraídas de imágenes MRI y DTI (materia gris cerebral, materia blanca, densidad del líquido cefalorraquídeo, etc.). Los datos clínicos y de ejercicio pueden combinarse para producir parámetros característicos que pueden utilizarse para describir la lentitud del movimiento. Los resultados experimentales muestran que el modelo propuesto en este trabajo mejora el rendimiento del reconocimiento de la enfermedad de Parkinson, que es mejor que los métodos comparados entre un 2,45% y un 12,07%.

• 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, enfermedad, métodos eficaces de detección precoz, modelo de clasificación de red neuronal recurrente, características del área cerebral, materia gris cerebral, densidad del líquido cefalorraquídeo, enfermedad crónica común, red neuronal recurrente, sensores inerciales portátiles.
• Keywords:Parkinson, disease, effective early detection methods, recurrent neural network classification model, brain area features, cerebral gray matter, cerebrospinal fluid density, common chronic disease, recurrent neural network, wearable inertial sensors