DÉTECTION DE LA MALADIE DE PARKINSON VIA UN RÉSEAU NEURONAL RÉCURRENT BASÉ SUR LE GRADIENT DE CLIFFORD UTILISANT DES DONNÉES MULTIDIMENSIONNELLES

Résumé

La prédiction des maladies constitue une étape essentielle dans le diagnostic précoce de nombreuses maladies dans un monde moderne surpeuplé. La prédiction est devenue plus simple grâce aux progrès de diverses techniques d’apprentissage automatique (ML). Cependant, la complexité du modèle et le choix de la meilleure méthode d’apprentissage automatique pour l’ensemble de données donné ont un impact significatif sur sa précision. À l’échelle mondiale, il existe de nombreux ensembles de données, mais leur nature non structurée empêche leur utilisation utile. Pour extraire tout ce qui a de la valeur à utiliser dans le monde réel, diverses stratégies sont donc accessibles. Pour évaluer le modèle, la précision sert désormais de mesure clé. Cette recherche propose un nouveau Cliff-PD pour détecter la maladie de Parkinson à l'aide d'un classificateur RNN à gradient de Clifford avec des signaux IRM et EEG. Initialement, les images IRM sont débruitées à l'aide de Retinex multi-échelles (MSR) et le signal EEG est débruité à l'aide de filtres de transformation d'ondelettes stationnaires pour réduire les artefacts de bruit. Ensuite, le Clifford Gradient RNN est utilisé pour classer l’hyperintensité normale et non spécifique de la substance blanche et l’atrophie cérébrale globale à l’aide d’images IRM. De plus, le Clifford Gradient RNN est utilisé pour classer le ralentissement de fond normal et généralisé à l’aide d’un signal EEG. Les performances du modèle Cliff-PD proposé ont atteint une précision de 99,18 %. Par rapport aux auto-encodeurs SVM, AlexNet et CROWD, la plage de précision est globalement améliorée de 5,38 %, 10,36 % et 3,2 %, respectivement.