Accurate evaluation of bradykinesia plays a crucial role in the diagnosis and therapy effect of Parkinson's disease. However, the subjective assessment shows low consistency among different evaluators, and the objective sensor-based methods cannot accurately distinguish patients with different grades of the 5-point clinical bradykinesia ratings. In this paper, an objective scoring method based on axis-angle representation and multi-class support vector machine (SVM) classi_er was employed to est

帕金森预测因子 这个项目是一个教育项目，旨在加深我通过动手学习机器学习的知识。 在本笔记本中，您将看到我使用两种不同的分类策略来尝试根据存储库中也可以找到的数据集来预测某人是否患有帕金森氏病。 信息和渗透来自有关机器学习，深度学习和熊猫的公共kaggle课程。

Parkinson’s Disease Classification 数据集用于检测分类帕金森疾病，数据集收集于 188 位患有帕金森症状的患者，年龄区间为 33 岁到 87 岁。该数据集还包括 64 位年龄区间 41 岁至 82 岁的健康样本

帕金森氏病（PD）是世界上主要的公共卫生疾病之一，其日趋增加，并已对许多国家产生影响。 因此，在疾病早期就进行预测非常重要，因为疾病的症状是在中年或中晚期出现的，因此这对于研究人员来说是一项艰巨的任务。 因此，这项工作着眼于受PD影响的人群的语音清晰度困难症状，并使用各种机器学习技术（例如自适应增强，装袋，神经网络，支持向量机，决策树，随机森林和线性回归）来建立模型。 这些分类器的性能使用各种指标进行评估，例如准确性，接收器工作特性曲线（ROC），灵敏度，精度，特异性。 最后，采用Boruta特征选择技术在预测帕金森氏病的所有特征中找到最重要的特征。

帕金森病检测 使用XGBoost检测帕金森氏病，并使用Flask进行部署。 使用的语言：Python 3.7，Html5，CSS3。 该Web应用程序正在开发中，目前托管在两个云平台中： IBM Cloud： : Heroku云： ：

帕金森病使用语音作为生物标志物 介绍 帕金森病是一种神经退行性疾病。 帕金森病患者经常会出现僵硬、颤抖、协调困难，并且随着疾病的进展，它开始影响语言的各个方面。 具体而言，通常受帕金森氏病影响的言语方面是声音低下（音量降低）、构音障碍（发音困难）和单调（音调范围减小）。 目前，帕金森病不能通过单一测试来诊断。 诊断基于病史、症状以及神经系统和身体检查，这些检查都在很大程度上基于运动功能。 然而，在帕金森病的早期阶段，很难发现运动缺陷，因为它们可能并不严重。 使用替代生物标志物，例如语言方面，可能有助于早期诊断。 小等人。 (2007) 通过评估两种测量语音方面的新方法（复发概率密度熵 (RPDE) 和去趋势波动分析 (DFA)）是否有助于区分患有和不患有帕金森病的参与者来研究该主题。 研究结果表明，这些新方法能够比传统的评估语言方面的方法更好地对患有和不患有帕金森病的个体进行分类。 这

帕金森病数据分析 介绍： 说明和文献： 在这项研究中，我们将分析被诊断出患有这种疾病的患者数据。 期望使用来自受试者的语音数据有助于无创诊断的发展。 帕金森氏症（PWP）的人会遭受言语障碍，例如语音障碍（声音使用不良），低音障碍（音量减小），单调（音调范围减小）和构音障碍（声音或音节发音困难）。 因此，我们在此项目中的分析将基于受影响的语音参数。 数据： 该数据集由牛津大学的Athanasios Tsanas和Max Little与美国的10个医疗中心以及英特尔公司合作开发，后者开发了远程监控设备来记录语音信号。 该数据集由一系列生物医学语音测量组成，从42名帕金森氏症早期患者中招募，到远程症状进展监测的远程监测设备的为期六个月的试验。 这些记录会自动记录在患者家中。 数据集中的列包含受试者编号，受试者年龄，受试者性别，自基线募集日期起的时间间隔，运动UPDRS，总UPDRS和16

Parkinson_Classification（帕金森分类数据集）.7z

Parkinson数据集Parkinson数据集Parkinson数据集Parkinson数据集Parkinson数据集

步态matlab代码可重复研究的自述文件-使用可重复研究实践进行步态分析以追踪帕金森氏病的发展 当所有研究工件（例如文本，数据，图形和代码）可供独立研究人员使用时，可以复制研究工作。 在本文中，我们提出了一种可重现的步态分析，以通过监测步行异常来追踪帕金森氏病的发展。 我们将主成分分析应用于步态数据中，以检测可能表明帕金森氏病进展的用户异常。 我们用脚部传感器数据的公共数据库[1]验证了我们的方法，该数据库包括具有健康步态和帕金森氏病患者的垂直地面反作用力记录。 计算科学，例如计算机科学，统计学，工程学的许多领域以及信号处理，都是理论上和实验上的。 这些科学是定理证明与计算机代码开发相结合的结果，以验证研究结果。 根据范德沃（Vanderwalle）[2]的观点，要进行可重复的研究，就会增加出版物在这些科学领域的影响。 如果与研究工作相关的所有信息（包括文本，数据和代码）可供独立研究人员使用，则该研究工作称为可复制的，可以重现结果。 系统总览 步态分析研究人体步态中肢体运动的力和力矩，包括VGRF的测量。 患者在脚下使用合适的力传感器，并将其连接到鞋子上以测量VGRF [3]。 该获取