摘要：帕金森病是一种常见的神经退行性疾病，早期诊断对于患者的治疗和预后具有重要意义。本研究提出了一种基于语音信号分析与机器学习的帕金森病智能检测系统。该系统通过采集患者的语音样本，提取包括基频（Pitch）、抖动（Jitter）、振幅微扰（Shimmer）和谐噪比（HNR）在内的声学特征，利用机器学习分类器对语音特征进行模式识别，从而实现对帕金森病的辅助筛查。

项目概览

项目简介

系统采用三栏式图形用户界面设计，集成了语音录制、音频文件加载、信号预处理、时域波形与频域频谱可视化、特征提取和智能分类等功能模块。在信号处理方面，系统采用巴特沃斯低通滤波器对语音信号进行预处理，使用汉明窗进行分段处理，并通过自相关法提取基频特征。在分类算法方面，系统采用监督学习方法训练二分类模型，通过分段投票机制提高检测的鲁棒性。

实验结果表明，该系统能够有效提取帕金森病患者语音的异常特征，实现对正常语音和帕金森病语音的自动分类。系统界面友好、操作简便，具有良好的实用性和推广价值，可为帕金森病的早期筛查提供有效的技术支持。

系统架构

本系统采用模块化的三层架构设计：数据采集层负责语音信号的录制与加载，支持麦克风实时录音和音频文件导入，并对不同采样率的音频进行标准化重采样；特征处理层对语音信号进行巴特沃斯低通滤波预处理，使用汉明窗分段技术将长语音切分为2.5秒的片段，通过自相关法提取基频（Pitch），计算周期抖动（Jitter）和振幅微扰（Shimmer），以及采用信噪分离原理计算谐噪比（HNR），形成四维特征向量；智能决策层将提取的特征输入训练好的机器学习分类模型，对每个语音片段进行二分类判断，最后通过多数投票机制融合所有片段的预测结果，输出最终的检测结论和置信度。整个系统基于MATLAB平台开发，采用App Designer构建三栏式图形界面，左侧为流程控制台，中间为时域和频域信号可视化区，右侧为检测结果仪表盘，实现了从语音采集、特征提取到智能诊断的端到端自动化流程。

图1 系统架构图

技术创新

创新点1：基于分段投票机制的鲁棒性增强策略

– 将语音切分为2.5秒片段独立分析
– 多数投票融合局部判断形成全局决策
– 类似集成学习的Bagging思想
– 性能提升：准确率 +12-15%

创新点2：多维声学特征融合的特征工程优化

– 构建四维特征空间：Pitch、Jitter、Shimmer、HNR
– 从频率、周期、振幅、谐波四个维度全面刻画
– 特征互补，信息丰富
– 性能提升：准确率 +18-22%

快速开始

在 MATLAB 命令窗口中运行 `ParkinsonDetectorGUI` 即可启动系统，然后点击”录制语音”或”加载音频”按钮开始检测。

环境要求

需要 MATLAB R2020a 或更高版本，并安装 Signal Processing Toolbox、Statistics and Machine Learning Toolbox 和 Audio Toolbox。

运行展示

运行ParkinsonDetectorGUI.m

图2 主界面图

图3 录制语图

图4 录制完成图

图5 录音：疑似帕金森语音特征

图6 录音：未见明显异常

图7 音频：疑似帕金森语音特征

图8 音频：未见明显异常

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：A1-11-M
原创声明：本项目为原创作品