帕金森�。≒arkinson’s Disease,PD）又稱之為震顫麻痹,是僅次于阿爾茨海默氏癥的第二大神經(jīng)系統(tǒng)疾病。傳統(tǒng)帕金森患者的病情檢查方法是測定統(tǒng)一帕金森病評定量表（Unified Parkinson’s Disease Rating Scale,UPDRS）,診斷過程需要醫(yī)生和患者共同完成,具有一定的主觀性;同時由于帕金森患者行動不便,這不僅一定程度上耗費了患者的時間和精力,也占用了日益緊張的醫(yī)療資源。在該狀況下,實現(xiàn)帕金森病早期診斷和病情級別預(yù)測對于治療帕金森病具有重大意義。帕金森患者早期發(fā)病時大多會出現(xiàn)不同程度的語音障礙,同時還會表現(xiàn)出靜止性震顫、肌肉僵硬等運動癥狀。本論文試圖利用帕金森患者的手部震顫信息與語音損傷信息,實現(xiàn)對患者的病情早期診斷和病情UPDRS預(yù)測。論文對基于手繪圖和語音的帕金森病情診斷和預(yù)測方案展開了研究,具體研究工作如下:首先,介紹了相關(guān)理論基礎(chǔ)和技術(shù),如用于手繪圖片處理的圖像處理技術(shù)和用于語音處理的語音處理技術(shù)。并對帕金森語音特征進行了分析,同時介紹了語音特征提取算法,包括線性和非線性的特征提取算法。然后介紹了帕金森病情UPDRS預(yù)測相關(guān)的回歸方法和... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

回歸預(yù)測流程

圖 2.3 線性預(yù)測用于非線性問題的擬合在特征集合中不斷選擇最佳的切分點，將上層的數(shù)據(jù)兩個集合的預(yù)測值與真實值的總方差最小，才停止迭劃分為多個小集合，每個小集合都規(guī)定了輸入變量的建立好的模型找到相應(yīng)的集合，則該集合中真實值的的算法步驟如下：集樣本選擇出最優(yōu)的切分變量 j 和切分點 s，求解：1 21 22 21 2,( , ) ( , )min[min ( ) min ( ) ]i ii ij s c cx R j s x R j sy c y c 對固定的特征掃描所有取值，找到使上式達到最小值j,s)劃分區(qū)域，并確定該區(qū)域的預(yù)測值。劃分區(qū)域調(diào)用上述步驟，直至終止條件滿足為止。

圖 2.4 單任務(wù)學(xué)習(xí)和多任務(wù)學(xué)習(xí)對比圖在多任務(wù)學(xué)習(xí)中，假設(shè) M 個任務(wù)的訓(xùn)練集為m m 1{ }MT ，mT 表示第 m 個任務(wù)，訓(xùn)練集mD包mn 個樣本標(biāo)簽對, , 1{x ,y }mnm j m j j ，其中,Dm jx R為第 m 個任務(wù)的第 j 個樣本，,ym j為對應(yīng)輸出，mn 是第 m 個任務(wù)的訓(xùn)練樣本數(shù)目。D MW R 代表多任務(wù)的參數(shù)矩陣，其中mw 為 W 其中的一列，屬于第 m 個任務(wù)的模型向量，m 代表任務(wù)下的噪聲，則多任務(wù)模型為：, ,Tm j m m j my w x (2.37)2.5 深度學(xué)習(xí)概述2.4 節(jié)重點介紹了機器學(xué)習(xí)相關(guān)技術(shù)。在基于手繪圖的帕金森病情診斷方案設(shè)計中，本文運用了深度學(xué)習(xí)工具對帕金森手繪圖片進行分類。本節(jié)就深度學(xué)習(xí)技術(shù)進行說明。

【參考文獻】：
期刊論文
[1]基于迭代決策樹的帕金森UPDRS預(yù)測模型研究[J]. 林鋼,季薇.  計算機技術(shù)與發(fā)展. 2019(01)
[2]基于模型過濾的多任務(wù)回歸在帕金森癥預(yù)測中的應(yīng)用[J]. 劉峰,季薇,李云.  計算機應(yīng)用. 2018(11)
[3]基于過濾的域適應(yīng)模型融合的帕金森病情預(yù)測[J]. 季薇,呂艷潔,林鋼,李云.  儀器儀表學(xué)報. 2018(06)
[4]M3-SVM在帕金森疾病UPDRS分類中的應(yīng)用[J]. 汪學(xué)明,季薇,李云.  計算機技術(shù)與發(fā)展. 2018(03)
[5]最優(yōu)路徑森林分類算法綜述[J]. 沈龍鳳,宋萬干,葛方振,李想,楊憶,劉懷愚,高向軍,洪留榮.  計算機應(yīng)用研究. 2018(01)
[6]矩陣補全模型及其算法研究綜述[J]. 陳蕾,陳松燦.  軟件學(xué)報. 2017(06)
[7]帕金森病診治現(xiàn)狀調(diào)查[J]. 韓艷,張曉紅,陳彤,王振福,孫虹.  中華保健醫(yī)學(xué)雜志. 2008(01)
[8]Using Support Vector Machine to Predict Eco-environment Burden:A Case Study of Wuhan,Hubei Province,China[J]. XIANG-MEI LI, JING-XUAN ZHOU,2, SONG-HU YUAN, XIN-PING ZHOU, AND QIANG FUSchool of Environmental Science and Engineering, Huazhong University of Science and Technology, Wuhan 430074, Hubei, China; China Environmental Monitoring Center, Beijing 100029, China.  Biomedical and Environmental Sciences. 2008(01)



本文編號：3251677