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