帕金森病识别新突破：GECCR2ANet+BBOA 融合框架展现卓越性能

为解决 EEG 信号相关难题，研究人员开展帕金森病识别研究，新模型性能超现有方法，助力早期诊断。

　　帕金森病识别（Parkinson’s disease recognition，PDR）是指通过临床评估、影像学研究以及生物标志物来判断是否患有帕金森病，重点关注震颤、僵硬和运动迟缓等早期症状，以便及时治疗。然而，由于脑电图（EEG）信号存在噪声、变异性以及非平稳性，区分帕金森病（PD）仍然是一项挑战。传统的深度学习方法难以捕捉 EEG 数据中复杂的时间和空间依赖关系，限制了其识别精度。为解决这一问题，研究人员引入了一种名为基于图嵌入类卷积循环注意力网络结合棕熊优化算法（GECCR2ANet+BBOA）的新型融合框架，用于基于 EEG 的帕金森病识别。该研究利用数值运算、加权引导图像滤波和熵评估加权（WGIF-EEW）进行去噪等预处理操作；通过带有图三重注意力网络的改进 VGG19（IVGG19-GTAN）进行特征提取，以捕捉 EEG 数据中的时空依赖关系；采用基于图嵌入类卷积循环注意力网络（GECCR2ANet）对提取的特征进行分类，并通过棕熊优化算法（BBOA）进一步优化，以提高分类准确率。该模型在新墨西哥大学（UNM）数据集上达到了 99.9% 的准确率、99.4% 的灵敏度和 99.3% 的 F1 分数，在加州大学圣地亚哥分校（UC San Diego）数据集上达到了 99.8% 的准确率、99.1% 的灵敏度和 99.2% 的 F1 分数，显著优于现有方法。此外，该模型的错误率为 0.5%，计算时间为 0.25 秒。像 2D-MDAGTS、A-TQWT 和 CWCNN 等之前的模型准确率均低于 95%，而新模型 99.9% 的准确率凸显了其在实际临床应用中的卓越性能，有助于增强帕金森病的早期检测能力，提高诊断效率。