54、基于集成机器学习的帕金森病语音信号分类方法

基于集成机器学习的帕金森病语音信号分类方法

1. 研究背景与相关工作回顾

机器学习技术在医学领域的应用已十分广泛，尤其在帕金森病的研究中，众多学者运用机器学习技术开发分类模型。以下是一些相关研究：
- Kuresan等人 ：提出利用MFCC特征提取的机器学习分类模型来预测帕金森病，重点研究MFCC在特征提取中的重要性，并评估了准确率、灵敏度和特异性等性能指标。
- Karan等人 ：采用IFMCC方法诊断帕金森病，实验表明该方法能有效区分帕金森病患者和正常人的语音，且比传统声学和MFCC特征的准确率高10 - 20%。
- 某研究团队 ：提出一种利用语音信号特性检测帕金森病的混合机器学习方法，先使用SMOTE方法处理不平衡数据集，再采用随机森林分类技术，该混合策略在准确率上优于传统分类方法。
- 另一研究团队 ：提出通过分析语音的共振和时频成分来诊断帕金森病，采用混合方法提取特征，发现该方法能更准确地区分帕金森病患者和健康人。
- Polat等人 ：提出One Against All (OAG)数据采样方法，结合分类器算法对帕金森病的声学特征进行分类，取得了较好的结果。

2. 材料与方法

2.1 研究方法概述

研究提出了一套从语音信号预测帕金森病的方法，包括数据收集、预处理、不平衡数据处理、降维、模型训练、测试和性能评估等步骤。具体操作如下：
1. 进行基础预处理。
2. 运用多种不平衡数据处理方