基于语音特征提取与分类的帕金森病患者识别

帕金森病（PD）是一种渐进性神经退行性疾病，影响运动功能和语言特征。本研究聚焦于通过提取和分类语音特征来区分帕金森病患者与健康对照群。患者进一步分为两组：Med On 表示服药后的患者，Med Off 表示停药后的患者。数据集由来自 F{\i}rat 大学神经内科的患者和健康个体组成，其使用 H1N Zoom 麦克风在合适的录音环境中朗读预定义文本。对 PD 患者和健康对照的语音录音进行分析，提取了 19 项关键特征，包括 jitter、luminance、zero-crossing rate（ZCR）、均方根（RMS）能量、熵、偏度和峰度。这些特征在图中进行可视化，并进行统计学评估，以识别 PD 患者中不同寻常的模式。使用 MATLAB 的 Classification Learner 工具箱，对所提取的特征应用了多种机器学习分类算法模型进行分类，实现了显著的准确率。还比较了三层人工神经网络架构的准确率与经典机器学习算法的表现。该研究突出了结合非侵入式语音分析与机器学习在 PD 患者的早期检测和监测方面的潜力。未来的研究可以通过优化特征选择和探索更先进的分类技术来提高诊断准确率。