31、帕金森病数据分析与预测及面部表情识别系统研究

帕金森病数据分析与预测及面部表情识别系统研究

1. 帕金森病数据分析与预测

1.1 集成学习技术概述

集成学习是一种将多个模型组合以提高预测性能的技术。其中堆叠（Stacking）是一种集成技术，使用微调后的分类器生成高级最终模型。它是一种两级预测技术，在第 0 级，基础学习器根据原始数据进行预测，元分类器使用基础学习器的预测结果进行第 1 级（最终）预测。

1.2 相关研究案例

• 心血管疾病检测 ：有研究提出了一个由决策树、神经网络、粗糙集、朴素贝叶斯和 SVM 算法组成的混合算法系统用于心血管疾病检测。使用 UCL 实验室数据，选取 74 个特征中的 14 个特征，该混合算法的 F 度量达到 86.8%，优于其他单个分类器，并使用十折交叉验证评估。
• 帕金森病预测 ：
  • 有研究提出多种机器学习模型，如多项式逻辑回归、人工神经网络、带支持向量机的旋转森林集成和主成分分析等用于帕金森病预测。使用贝叶斯网络进行特征选择和排序，经优化后，多项式逻辑回归的准确率达到 100%，特异性和敏感性分别为 99.6%和 98.3%，并使用 t 检验在 95%置信度下验证。
  • 从 mPower 语音数据集中提取两个特征集，应用多种监督学习技术，其中 CNN 的整体准确率最高达 86%，GeMaps 和 AVEC 数据集的 AUC 分数分别为 0.823 和 0.915。
  • 使用 WEKA 工具将特征从 24 个减少到 11 个，应用多种算法，发现 ANN 和 KNN 算法组合的准