Parkinson disease classification based on the modified binary PSO and machine learning model
- سال انتشار: 1404
- محل انتشار: کنفرانس بین المللی هوش مصنوعی و فناوری های مرتبط
- کد COI اختصاصی: ICIRT01_012
- زبان مقاله: انگلیسی
- تعداد مشاهده: 14
نویسندگان
Dept. Computer Science, University of Sistant and Baluchestan, Zahedan, Iran
Department of Mathematics, Faculty of Sciences, Bu-Ali Sina University, Hamedan ۶۵۱۷۸, Iran
چکیده
Parkinson's disease is one of the most prevalent neurological disorders among the elderly. Accurate diagnosis of Parkinson's disease has been shown to enhance treatment effectiveness and improve patients' quality of life. This study presents an enhanced classification framework for Parkinson's disease by combining Modified Binary Particle Swarm Optimization (MBPSO) with K-nearest neighbor (KNN) through the Leave-One-Out Cross-Validation (LOOCV). Specifically, four transfer functions are employed to convert the continuous search space of PSO into a binary one. Additionally, the modified BPSO incorporates chaotic maps and the catfish effect to enhance exploration capabilities in identifying a relevant subset of features to build a predictive model. The proposed framework is rigorously evaluated using key metrics, including accuracy, precision, recall, and F۱-score. By reducing the number of features, MBPSO improves both model efficiency and predictive performance. The best-performing transfer function variant is V۳, which achieved an accuracy of ۰.۹۷۱, precision of ۰.۹۷۵, recall of ۰.۹۸۷, and F۱-score of ۰.۹۸۱ on the training set, and obtained an accuracy of ۰.۹۳۵, precision of ۰.۹۶۷, recall of ۰.۹۵, and F۱-score of ۰.۹۵۸ on the testing set.کلیدواژه ها
Parkinson's disease, Binary PSO, K-NN, Modified PSOمقالات مرتبط جدید
- کاربرد شبکه های عصبی گراف در شبکه های هوشمند برق: یک مرور جامع بر تشخیص و پیش بینی خطا
- Enhanced Residual Attention CNN with Squeeze-and-Excitation Blocks for Brain Tumor MRI Classification
- ارزیابی روشهای تعبیهی گره برای تشخیص جوامع ساختاری در شبکه های فاقد ویژگی
- بهبود رمزگشای استاندارد JPEG AI در نرخ بیت پایین با استفاده از فیلتر عصبی E-Net
- طبقه بندی بهینه اهداف سونار از طریق همجوشی تصمیم گیری پیشرفته مبتنی بر اتوماتای یادگیر فازی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.