一种结合谱特征的新型CustNetGC增强模型用于帕金森病预测
声音
2025-11-20 v1 计算机视觉与模式识别
摘要
帕金森病是一种神经退行性疾病，其诊断和治疗可能非常棘手。早期症状可能包括震颤、喘息性呼吸和语音质量变化，这些都是神经损伤的关键指标。值得注意的是，越来越多的研究关注利用语音属性的变化作为早期检测帕金森病的标志。基于这一理解，本文旨在聚焦于基于帕金森病患者和健康对照（HC）语音记录的声学特征分析。本文提出了一种新型分类和可视化模型CustNetGC，将卷积神经网络（CNN）与自定义网络Grad-CAM和CatBoost相结合，以提高帕金森病诊断的效率。我们使用了Figshare上的公开数据集，包括81名参与者的语音记录：40名帕金森病患者和41名健康对照。从这些记录中，我们提取了关键谱特征：L-mHP和谱斜率。L-mHP特征结合了三种谱图表示：对数梅尔谱图、谐波谱图和打击乐谱图，这些谱图通过谐波-打击乐源分离（HPSS）获得。Grad-CAM用于突出数据中的重要区域，从而使帕金森病预测具有可解释性和有效性。我们提出的CustNetGC模型实现了99.06%的准确率和95.83%的精确率，帕金森病类别的受试者工作特征曲线下面积（AUC）为0.90，健康对照类别为0.89。此外，梯度提升算法CatBoost的组合通过正确分类帕金森病和非帕金森病样本增强了鲁棒性和预测性能。因此，结果表明CustNetGC系统在提高诊断准确性和帕金森病预测模型的可解释性方面具有潜在改进。
引用
@article{arxiv.2511.15485,
title = {A Novel CustNetGC Boosted Model with Spectral Features for Parkinson's Disease Prediction},
author = {Abishek Karthik and Pandiyaraju V and Dominic Savio M and Rohit Swaminathan S},
journal= {arXiv preprint arXiv:2511.15485},
year = {2025}
}