刘 峰，季 薇，李 云

(1.南京邮电大学 通信与信息工程学院，南京 210003； 2.南京邮电大学 计算机学院，南京 210023)(*通信作者电子邮箱873216019@qq.com)

0 引言

帕金森症(Parkinson’s Disease，PD)是继阿尔茨海默氏病后第二大常见的神经退行性疾病，仅中国大陆就有超过300万人受到该病的影响[1-2]。它的主要症状是肌肉僵硬、运动过缓、静止性震颤以及其他一些运动障碍[3-4]。临床实践中，医生大多采用统一帕金森定量表(Unified Parkinson’s Disease Rating Scale, UPDRS)[5-6]来衡量患者帕金森症症状的严重性。已有研究表明，60%～90%的帕金森患者会出现语言障碍，患有某种程度上的语音损伤，语音损伤也可能是帕金森最早的征兆之一[7], 因此，可以通过语音分析来对患者的病情进行早期诊断。

近几年研究中，Goetz等[8]强调了利用语音信号预测UPDRS 的重要性；Tsanas[9]在此基础上使用了各种语音信号处理算法得到了相关病特征，并利用传统的机器学习方法(如最小二乘(Least Squares, LS)、决策回归树等)预测帕金森症患者的 motor-UPDRS(motor Unified Parkinson’s Disease Rating Scale) 评分和 total-UPDRS(total Unified Parkinson’s Disease Rating Scale)评分；文献[10-11]在此基础上介绍了基于参数优化的支持向量机的帕金森病诊断方法，证明了经参数优化的支持向量机可以提高帕金森病诊断的准确率；Athansios等[12]则通过语音测试来证明UPDRS评估具有临床上有用的准确性，同时指出motor-UPDRS和total-UPDRS受不同语音特征影响，其在预测motor-UPDRS和total-UPDRS时，贡献度并不相同。然而，Tsanas只考虑了在单任务条件下利用各种语音特征预测motor-UPDRS 和total-UPDRS分析病情，但是并没考虑到在多任务学习过程时，子任务语音特征对motor-UPDRS和total-UPDRS的贡献度的不同，各子任务的共享特征也会影响到其他子任务的预测效果。……