Машинное обучение и нейронные сети для IT-диагностики неврологических заболеваний

Abstract

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.