摘要帕金森病是一种常见的神经退行性疾病早期诊断对于延缓病情进展具有重要意义。传统的帕金森病诊断方法主要依赖于临床医生的主观判断存在诊断成本高、早期症状不明显等问题。研究表明语音障碍是帕金森病的早期症状之一且可以通过语音信号分析进行量化评估。因此基于语音信号的帕金森病检测方法具有非侵入性、成本低、便于大规模筛查等优势。项目概览项目简介本文设计并实现了一个基于语音信号分析的帕金森病智能检测系统。该系统采用机器学习方法通过提取语音信号的频域特征利用多种分类算法实现帕金森病的自动诊断。主要研究内容包括系统收集了37个受试者的语音样本21个健康样本和16个帕金森病患者样本包括朗读文本和自由对话两种任务类型。对语音信号进行预处理包括采样率统一、单声道转换和信号分帧等操作。采用快速傅里叶变换FFT提取21,500维频域特征这些特征能够有效反映帕金森病患者的语音障碍特征。为了提高特征的表征能力还提取了时域特征能量、过零率、倒谱特征MFCC和韵律特征基频、共振峰等多维特征。实现了三种分类算法随机森林、AlexNet卷积神经网络和CNN遗传算法优化。通过对比实验发现AlexNet CNN在测试集上取得了最佳性能测试准确率达到85.59%灵敏度为80.39%特异度为90.00%F1分数为0.8367。随机森林算法虽然训练速度快5.56秒但灵敏度较低51.28%容易漏诊患者。CNNGA优化算法通过遗传算法自动调整超参数测试准确率达到81.98%。。基于MATLAB App Designer开发了图形用户界面实现了音频导入、信号可视化、模型训练、智能诊断和结果导出等功能。系统界面友好操作简便能够实时显示训练过程和诊断结果为医疗人员提供了便捷的辅助诊断工具。实验结果表明基于语音信号分析的帕金森病检测方法具有较高的准确性和实用性。但由于数据集规模较小37个样本模型的泛化能力仍需进一步验证。未来工作将重点扩充数据集、优化特征提取方法、改进深度学习模型并开展临床试验推动该技术的实际应用。系统架构本系统采用分层架构设计自下而上分为数据层、处理层、模型层和应用层四个层次。数据层负责管理PC-GITA数据库中的37个语音样本21个健康样本和16个帕金森病样本包括朗读文本和自由对话两种任务类型处理层实现了语音信号的预处理和特征提取功能通过快速傅里叶变换FFT提取21,500维频域特征同时提取时域特征能量、过零率、倒谱特征MFCC和韵律特征基频、共振峰等多维特征向量模型层集成了三种机器学习算法包括随机森林训练时间5.56秒、AlexNet卷积神经网络测试准确率85.59%和CNN遗传算法优化结合GA进行超参数优化通过对比实验选择最优模型应用层基于MATLAB App Designer开发了图形用户界面实现了音频导入、信号可视化时域波形、频谱图、梅尔时频图、模型训练、智能诊断和结果导出等功能为医疗人员提供了完整的帕金森病辅助诊断解决方案。图1 系统架构图技术创新创新点1提出了多算法融合的自适应诊断架构集成随机森林、AlexNet CNN和CNNGA三种算法支持根据应用场景灵活选择兼顾诊断速度与准确率实现了快速筛查与精准诊断的统一。创新点2设计了全流程可视化的智能诊断系统突破传统”黑盒”模式实时展示从语音分析到模型训练的完整过程提供置信度评估和性能指标增强诊断透明度和可信度支持临床应用和医学教学。创新点3引入遗传算法实现神经网络自优化采用GA自动搜索最优网络结构和超参数降低人工调参成本提高模型在小样本和噪声数据上的鲁棒性使系统具备自适应学习能力。快速开始将项目解压至任意目录在MATLAB中切换到项目根目录执行ParkinsonDiagnosisGUI启动GUI按照界面提示依次完成音频导入、模型训练和智能诊断操作。环境要求本系统需要MATLAB R2020b或更高版本需安装Deep Learning Toolbox、Signal Processing Toolbox和Statistics and Machine Learning Toolbox推荐配置为Windows 10/11操作系统、8GB以上内存和支持CUDA的NVIDIA显卡可选用于加速CNN训练。运行展示运行ParkinsonDiagnosisGUI.m图2 主界面图图3 随机森林模型训练训练损失图4 随机森林模型训练准确率图5 随机森林模型训练混淆矩阵图6 随机森林模型诊断健康图7 随机森林模型诊断疑似帕金森图8 AlexNet卷积神经网络模型诊断健康图9 AlexNet卷积神经网络模型诊断疑似帕金森图10 CNN遗传算法优化模型诊断健康图11 CNN遗传算法优化模型诊断疑似帕金森项目资源配套文件包括完整的项目源代码、演示视频、运行截图开箱即用。项目信息作者信息作者Bob (张家梁)项目编号A1-12-M原创声明本项目为原创作品