资料下载
×
如何使用模型过滤的多任务回归应用在帕金森症预测中
消耗积分:0 |
格式:rar |
大小:0.73 MB |
2018-11-28
分享资料个
传统基于语音的帕金森症（PD）病情预测方法则是分别预测运动症状评分（motor-UPDRS）和总体症状评分（ total-UPDRS）。为解决在单任务预测过程中，传统方法无法利用任务之间的共享信息和预测性能不住的问题，提出了一种基于模型过滤的多任务回归方法来预测帕金森症患者的motor-UPDRS和total-UPDRS。首先，考虑到子任务语音特征对预测motor-UPDRS和total-UPDRS不同的影响，添加LI正则化项进行特征选择;其次，在构建模型的同时，根据不同帕金森患者对象分布在不同的域，添加了过滤机制，来提高预测精度。在远程帕金森数据集仿真实验中，基于模型过滤的多任务回归方法在预测UPDRS时，较单任务条件下最小二乘法（LS）模型预测motor值准确度提高了67.2%，预测total值则提高了83.3%;相比单任务条件下决策回归树（ CART）模型预测motor值提高了64%，预测total值则提高了78.4%。实验结果表明，基于模型过滤的多任务回归算法对UPDRS预测要优于单任务回归算法。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
