当前位置：首页 > news >正文

基于MATLAB深度学习的帕金森病语音智能诊断系统设计与实现(含数据集)

news 2026/7/27 8:51:31

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。CNN+GA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CNN+GA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）。