Parkinson's Disease (PD) is a complex neurodegenerative condition with a global impact, demanding precise disease progression prediction to facilitate effective treatment strategies. To assess PD symptoms, the Unified Parkinson's Disease Rating Scale (UPDRS) is widely adopted, encompassing both motor and non-motor assessments. This research delves into voice inputs as a non-intrusive method to predict total UPDRS and motor UPDRS scores, offering new possibilities for Parkinson's assessment. Feature engineering and data augmentation techniques address challenges related to class imbalance and diverse demographics, including an original imbalanced dataset with more females than males. Additionally, three new datasets are created: oversampled balanced, only-female, and only-male datasets. Ensemble-based stacking model, including random forest and extreme gradient boosting as base models and the gradient boosting regressor as the meta-regressor, demonstrate promising performance and robustness in predicting UPDRS scores, showcasing the efficacy of voice inputs for PD assessment. Furthermore, the feature importance analysis provides insights into crucial contributors influencing predictions. Various performance metrics, such as accuracy, mean squared error (MSE), root mean squared error (RMSE), mean absolute error (MAE), and R-squared (R2), are used to evaluate the model’s performance. Additionally, by incorporating telemonitoring capabilities, the voice-based approach offers the possibility of remote and continuous PD assessment, allowing for real-time monitoring and early detection. This advancement could significantly improve the quality of life for PD patients and facilitate more personalized and effective treatment plans.
parkinsons parkinsons assessment UPDRS score estimation ensemble-based stacking extreme gradient boosting random forests gradient boosting regressor
Parkinson Disease (PD), etkili tedavi stratejilerini kolaylaştırmak için hastalığın ilerlemesinin kesin olarak tahmin edilmesini gerektiren, küresel etkiye sahip karmaşık bir nörodejeneratif durumdur. PD semptomlarını değerlendirmek için, hem motor hem de motor olmayan değerlendirmeleri kapsayan Universal Parkinson Disease Rating Scale (UPDRS) yaygın olarak benimsenmiştir. Bu araştırma, toplam UPDRS ve motor UPDRS puanlarını tahmin etmek için müdahaleci olmayan bir yöntem olarak ses girişlerini derinlemesine inceleyerek Parkinson değerlendirmesi için yeni olanaklar sunuyor. Feature engineering va data augmentation teknikleri, erkeklerden daha fazla kadın içeren orijinal dengesiz bir veri seti de dahil olmak üzere, sınıf dengesizliği ve çeşitli demografik özelliklerle ilgili zorlukları ele alır. Ek olarak üç yeni veri kümesi oluşturulur: aşırı örneklenmiş dengeli, yalnızca kadın ve yalnızca erkek veri kümeleri. Base model olarak random forest ve extreme gradient boosting ve meta-regressor olarak gradient boosting regressor'yi içeren ensemble-based stacking Modeli, UPDRS puanlarını tahmin etmede umut verici bir performans ve sağlamlık sergileyerek PD değerlendirmesi için ses girişlerinin etkinliğini ortaya koyuyor. Ayrıca, özellik önemi analizi, tahminleri etkileyen önemli katkıda bulunanlar hakkında bilgi sağlar. Modelin performansını değerlendirmek için doğruluk, mean squared error (MSE), root mean squared error (RMSE), mean absolute error (MAE), ve R-suared (R2) gibi çeşitli performans ölçümleri kullanılır. Ek olarak, uzaktan izleme yeteneklerini birleştirerek ses tabanlı yaklaşım, uzaktan ve sürekli PD değerlendirmesi olanağı sunarak gerçek zamanlı izleme ve erken tespite olanak tanır. Bu ilerleme, Parkinson hastalarının yaşam kalitesini önemli ölçüde artırabilir ve daha kişiselleştirilmiş ve etkili tedavi planlarını kolaylaştırabilir.
UPDRS puan tahmini ensemble-based stacking extreme gradient boosting random forests gradient boosting regressor parkinson değerlendirmesi parkinsons
Primary Language | English |
---|---|
Subjects | Machine Learning (Other), Data Engineering and Data Science |
Journal Section | PAPERS |
Authors | |
Publication Date | December 20, 2023 |
Submission Date | August 26, 2023 |
Acceptance Date | September 22, 2023 |
Published in Issue | Year 2023 |
The Creative Commons Attribution 4.0 International License is applied to all research papers published by JCS and
a Digital Object Identifier (DOI) is assigned for each published paper.