Машинное обучение и нейронные сети для IT-диагностики неврологических заболеваний
https://doi.org/10.35596/1729-7648-2025-23-1-68-73
Аннотация
Рассмотрены методы машинного обучения и нейронные сети для диагностики неврологических заболеваний (болезней Альцгеймера и Паркинсона) пациентов на основе голосового анализа. Приведены модели извлеченной из голосовых данных информации о признаках заболеваний (включая частоту, дрожание, мел-кепстральные коэффициенты и т. д.). Использованы различные классификаторы для обучения нейронных сетей и распознавания заболеваний. Среди них – алгоритм GridSearchCV для оптимизации гиперпараметров классификатора случайного леса при распознавании болезни Альцгеймера (точность распознавания – 87,6 %) и алгоритм KNN – для обучения и тестирования на общедоступных наборах данных признаков изменения речи пациентов с болезнью Паркинсона. Алгоритм KNN показал лучшие результаты классификации по сравнению с другими, достигнув экспериментальной точности 94 % на тех же наборах данных. Отмечено, что использование многомерного извлечения признаков и методов машинного обучения может повысить точность ранней диагностики неврологических заболеваний.
Об авторах
В. А. Вишняков
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Вишняков Владимир Анатольевич, д-р техн. наук, проф каф. инфокоммуникационных технологий
220013, г. Минск, ул. П. Бровки, 6
И. В. Ся
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
асп. каф. инфокоммуникационных технологий
г. Минск
Ч. Ю. Юй
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
асп. каф. инфокоммуникационных технологий
г. Минск
Список литературы
1. Raghavendra, U. Artificial Intelligence Techniques for Automated Diagnosis of Neurological Disorders / U. Raghavendra, U. R. Acharya, H. Adeli // European Neurology. 2019. Vol. 82, No 1–3. Р. 41–64.
2. Armstrong, M. J. Diagnosis and TReatment of Parkinson Disease: A Review / M. J. Armstrong, S. O. Michael // Jama. 2020. Vol. 323, No 6. Р. 548–560.
3. Early Diagnosis of Parkinson’s Disease / G. Becker [et al.] // Journal of Neurology. 2002. Vol. 249. Р. iii40–iii48.
4. Agarwal, A. Prediction of Parkinson’s Disease Using Speech Signal with Extreme Learning Machine / A. Agarwal, S. Chandrayan, S. S. Sahu // 2016 International Conference on Electrical, Electronics, and Optimization Techniques. Р. 3776–3779.
5. Blahuta, J. An Expert System Based on Using Artificial Neural Network and Region-Based Image Processing to Recognition Substantia Nigra and Atherosclerotic Plaques in B-Images: A Prospective Study / J. Blahuta, T. Soukup, J. Martinu // Advances in Computational Intelligence, 14th International Work-Conference on Artificial Neural Networks, Cadiz, Spain, June 14–16, 2017, Part I. Cadiz, Spain: Springer International Publ. Р. 236–245.
6. Convolution Neural Networks and Self-Attention Learners for Alzheimer Dementia Diagnosis from Brain MRI / P. Carcagnì [et al.] // Sensors. 2023. Vol. 23, No 3.
7. SpeechFormer++: A Hierarchical Efficient Framework for Paralinguistic Speech Processing / W. Chen [et al.] // arXiv:2302.14638v1. 2023. Vol. 31. Р. 775–788.
8. Using the Outputs of Different Automatic Speech Recognition Paradigms for Acoustic- and BERT-Based Alzheimer’s Dementia Detection Through Spontaneous Speech / Y. Pan [et al.] // Interspeech. 2021. Р. 3810–3814.
9. A Scoping Review of Mathematical Models Covering Alzheimer’s Disease Progression / S. Moravveji [et al.] // Frontiers in Neuroinformatics. 2024. Vol. 18.
10. Вишняков, Ю. А. Использование машинного обучения для распознавания болезни Альцгеймера на основе транскрипционной информации / Ю. А. Вишняков, Юй Чу Юэ // Доклады БГУИР. 2023. Т. 21, № 6. С. 106–112. http://dx.doi.org/10.35596/1729-7648-2023-21-6-106-112.
11. Vishniakou, U. A. Technology of Neurological Disease Recognition Using Gated Recurrent Unite Neural Network and Internet of Things / U. A. Vishniakou, YiWei Xia, Chuyue Yu // OSTES Research Papers Collection. Minsk: Belarusian State University of Informatics and Radioelectronics, 2023. Р. 241–246.
12. Alzheimer’s Dementia Recognition Through Spontaneous Speech: The ADReSS Challenge / S. Luz [et al.] // arXiv:2004.06833. 2004.
13. Haulcy, R. Classifying Alzheimer’s Disease Using Audio and Text-Based Representations of Speech / R. Haulcy, J. Glass // Frontiers in Psychology. 2021. Vol. 11.
14. A Comparative Analysis of Speech Signal Processing Algorithms for Parkinson’s Disease Classification and the Use of the Tunable Q-factor Wavelet Transform / C. O. Sakar [et al.] // Applied Soft Computing. 2019. Vol. 74. Р. 255–263.
15. Вишняков, В. А. IТ-диагностика болезни Паркинсона на основе анализа голосовых маркеров и машинного обучения / В. А. Вишняков, Ивэй Ся // Доклады БГУИР. 2023. Т. 21, № 3. С. 102–110.http://dx.doi.org/10.35596/1729-7648-2023-21-3-102-110.
Рецензия
Для цитирования:
Вишняков В.А., Ся И.В., Юй Ч.Ю. Машинное обучение и нейронные сети для IT-диагностики неврологических заболеваний. Доклады БГУИР. 2025;23(1):68-73. https://doi.org/10.35596/1729-7648-2025-23-1-68-73
For citation:
Vishniakou U.A., Xia Y.W., Yu Ch.Y. Machine Learning and Neural Networks for IT-Diagnostics of Neurological Diseases. Doklady BGUIR. 2025;23(1):68-73. (In Russ.) https://doi.org/10.35596/1729-7648-2025-23-1-68-73
Просмотров: 46
Послать статью по эл. почте 