Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Chẩn đoán bệnh Parkinson sử dụng mô hình học sâu dựa trên mạng nơ-ron hồi tiếp thông qua phân tích chữ viết tay trực tuyến
Tóm tắt
Bệnh Parkinson là một rối loạn thoái hóa thần kinh ngày càng gia tăng, ảnh hưởng xấu đến chuyển động, độ linh hoạt của cơ bắp, khả năng nói và viết. Chẩn đoán sớm có thể giảm mức độ nghiêm trọng của bệnh cũng như chi phí điều trị phát sinh. Mặc dù có một số nghiên cứu sử dụng kỹ thuật học máy để phát hiện bệnh Parkinson, nhưng rất ít nghiên cứu tập trung vào việc phát hiện bệnh này thông qua việc phân tích các bài viết tay trực tuyến. Bài viết này đề xuất một phương pháp dựa trên mạng nơ-ron hồi tiếp hai chiều [một biến thể của mạng nơ-ron hồi tiếp (RNN)] để phát triển một hệ thống chẩn đoán bệnh Parkinson bằng cách phân tích các bài viết tay trực tuyến. Mục tiêu của nghiên cứu này là hai phần: (a) tìm ra nhiệm vụ/các nhiệm vụ tốt nhất có khả năng phân biệt giữa bệnh nhân Parkinson và người khỏe mạnh và (b) phát triển một phương pháp mạnh mẽ để phát hiện bệnh nhân Parkinson. Nhiều đặc điểm động học đã được trích xuất từ các nhiệm vụ viết tay khác nhau và các đặc điểm đã được nghiên cứu thông qua ba kỹ thuật học máy khác nhau được gọi là máy vector hỗ trợ (SVM), bộ phân loại Adaboost và rừng ngẫu nhiên kết hợp (BRF), cũng như hai biến thể khác nhau của mô hình học sâu RNN được biết đến là bộ nhớ ngắn hạn dài hạn (LSTM) và bộ nhớ ngắn hạn dài hạn hai chiều (BLSTM). Hiệu suất phân loại bệnh Parkinson của phương pháp đề xuất đã được đánh giá trên một tập dữ liệu rất phổ biến và công khai có sẵn được gọi là cơ sở dữ liệu chữ viết tay bệnh Parkinson (PaHaW). Kết quả thực nghiệm cho thấy phương pháp đề xuất vượt trội hơn các phương pháp tiên tiến nhất trong lĩnh vực này.
Từ khóa
#bệnh Parkinson #học máy #mạng nơ-ron hồi tiếp #chữ viết tay trực tuyến #y tế thông minhTài liệu tham khảo
Abdullah SM, Abbas T, Bashir MH, Khaja IA, Ahmad M, Soliman NF, El-Shafai W (2023) Deep transfer learning based parkinson’s disease detection using optimized feature selection. IEEE Access
Ali L, Zhu C, Golilarz NA, Javeed A, Zhou M, Liu Y (2019) Reliable parkinson’s disease detection by analyzing handwritten drawings: Construction of an unbiased cascaded learning system based on feature selection and adaptive boosting model. Ieee Access 7:116480–116489
Alissa M, Lones MA, Cosgrove J, Alty JE, Jamieson S, Smith SL, Vallejo M (2022) Parkinson’s disease diagnosis using convolutional neural networks and figure-copying tasks. Neural Comput Appl pp 1–21
Bidet-Ildei C, Pollak P, Kandel S, Fraix V, Orliaguet JP (2011) Handwriting in patients with parkinson disease: effect of l-dopa and stimulation of the sub-thalamic nucleus on motor anticipation. Hum Mov Sci 30(4):783–791
Burke RE (2010) Evaluation of the braak staging scheme for parkinson’s disease: Introduction to a panel presentation. Mov Disord 25(S1):S76–S77
De Lau LML, Breteler MMB (2006) Epidemiology of parkinson’s disease. Lancet Neurol 5(6):525–535
De Stefano C, Fontanella F, Impedovo D, Pirlo G, di Freca AS (2019) Handwriting analysis to support neurodegenerative diseases diagnosis: A review. Pattern Recog Lett 121:37–45
Derkinderen P, Dupont S, Vidal JS, Chedru F, Vidailhet M (2002) Micrographia secondary to lenticular lesions. Mov Disord 17(4):835–837
Diaz M, Ferrer MA, Impedovo D, Pirlo G, Vessio G (2019) Dynamically enhanced static handwriting representation for parkinson’s disease detection. Pattern Recogn Lett 128:204–210
Diaz M, Moetesum M, Siddiqi I, Vessio G (2021) Sequence-based dynamic handwriting analysis for parkinson’s disease detection with one-dimensional convolutions and bigrus. Expert Syst Appl 168:114405
Drotár P, Mekyska J, Rektorová I, Masarová L, Smékal Z, Faundez-Zanuy M (2014) Decision support framework for parkinson’s disease based on novel handwriting markers. IEEE Trans Neural Syst Rehabil Eng 23(3):508–516
Drotár P, Mekyska J, Rektorová I, Masarová L, Smékal Z, Faundez-Zanuy M (2014) Analysis of in-air movement in handwriting: A novel marker for parkinson’s disease. Comput Methods Prog Biomed 117(3):405–411
Drotár P, Mekyska J, Rektorová I, Masarová L, Smékal Z, Faundez-Zanuy M (2016) Evaluation of handwriting kinematics and pressure for differential diagnosis of parkinson’s disease. Artif Intell Med 67:39–46
Ghosh R (2021) A recurrent neural network based deep learning model for offline signature verification and recognition system. Expert Syst Appl 168:114249
Ghosh R, Roy PP, Kumar P (2018) Smart device authentication based on online handwritten script identification and word recognition in indic scripts using zone-wise features. IJISMD 9(1):21–55
Ghosh R, Vamshi C, Kumar P (2019) Rnn based online handwritten word recognition in devanagari and bengali scripts using horizontal zoning. Pattern Recog 92:203–218
Graves A, Liwicki M, Fernández S, Bertolami R, Bunke H, Schmidhuber J (2008) A novel connectionist system for unconstrained handwriting recognition. IEEE Trans Pattern Anal Machine Intell 31(5):855–868
Ho AK, Iansek R, Marigliani C, Bradshaw JL, Gates S (1998) Speech impairment in a large sample of patients with parkinson’s disease. Behav Neurol 11(3):131–137
Jaeger S, Manke S, Reichert J, Waibel A (2001) Online handwriting recognition: the npen\(++\) recognizer. IJDAR 3(3):169–180
Johri A, Tripathi A, et al. (2019) Parkinson disease detection using deep neural networks. In 2019 twelfth international conference on contemporary computing (IC3), pp 1–4 IEEE
Kingma DP, Ba J (2014) Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980
Lange KW, Mecklinger L, Walitza S, Becker G, Gerlach M, Naumann M, Tucha O (2006) Brain dopamine and kinematics of graphomotor functions. Hum Mov Sci 25(4–5):492–509
Loconsole C, Cascarano GD, Brunetti A, Trotta GF, Losavio G, Bevilacqua V, Di Sciascio E (2019) A model-free technique based on computer vision and semg for classification in parkinson’s disease by using computer-assisted handwriting analysis. Pattern Recogn Lett 121:28–36
Ma C, Zhang P, Pan L, Li X, Yin C, Li A, Zong R, Zhang Z (2022) A feature fusion sequence learning approach for quantitative analysis of tremor symptoms based on digital handwriting. Expert Syst Appl 203:117400
Moetesum M, Siddiqi I, Vincent N, Cloppet F (2019) Assessing visual attributes of handwriting for prediction of neurological disorders-a case study on parkinson’s disease. Pattern Recog Lett 121:19–27
Mucha J, Mekyska J, Galaz Z, Faundez-Zanuy M, Lopez-de Ipina K, Zvoncak V, Kiska T, Smekal Z, Brabenec L, Rektorova I (2018) Identification and monitoring of parkinson’s disease dysgraphia based on fractional-order derivatives of online handwriting. Appl Sci 8(12):2566
Naseer A, Rani M, Naz S, Razzak MI, Imran M, Xu G (2020) Refining parkinson’s neurological disorder identification through deep transfer learning. Neural Comput Appl 32(3):839–854
Pereira CR, Pereira DR, Silva FA, Masieiro JP, Weber SAT, Hook C, Papa JP (2016) A new computer vision-based approach to aid the diagnosis of parkinson’s disease. Comput Methods Prog Biomed 136:79–88
Sakar BE, Isenkul ME, Sakar CO, Sertbas A, Gurgen F, Delil S, Apaydin H, Kursun O (2013) Collection and analysis of a parkinson speech dataset with multiple types of sound recordings. IEEE J Biomed Health Inform 17(4):828–834
Shah PM, Zeb A, Shafi U, Farhan Alam Zaidi S, Shah MA (2018) Detection of parkinson disease in brain mri using convolutional neural network. In 2018 24th international conference on automation and computing (ICAC), pp 1–6 IEEE
Toffoli S, Lunardini F, Parati M, Gallotta M, De Maria B, Longoni L, Dell’Anna ME, Ferrante S (2023) Spiral drawing analysis with a smart ink pen to identify parkinson’s disease fine motor deficits. Frontiers in Neurology 14:181
Tseng MH, Cermak SA (1993) The influence of ergonomic factors and perceptual-motor abilities on handwriting performance. Am J Occup Ther 47(10):919–926
Valla E, Nõmm S, Medijainen K, Taba P, Toomela A (2022) Tremor-related feature engineering for machine learning based parkinson’s disease diagnostics. Biomed Sig Process Control 75:103551
von Campenhausen S, Bornschein B, Wick R, Bötzel K, Sampaio C, Poewe W, Oertel W, Siebert U, Berger K, Dodel R (2005) Prevalence and incidence of parkinson’s disease in europe. Eur Neuropsychopharmacol 15(4):473–490