谭言丹，赵阳洋，赵光财

(1.中国科学院海西研究院 泉州装备制造研究所，福建 泉州 362200； 2.中北大学 电气与控制工程学院，山西 太原 038507；3.厦门理工学院 光电与 通信工程学院，福建 厦门 361024；4.中国科学院大学 计算机与控制学院，北京 100049)

0 引 言

研究表明，帕金森病(Parkinson’s disease，PD)患者会在早期呈现一定程度的书写障碍[1]。Pereira等提供了包含74例PD患者以及18例健康对照组的Spiral和Meander两种手绘数据集[2]，且该研究仅呈现了约67%的精度。然而，由于涉及丰富的样本类别，因此该数据集是目前最流行的基于手绘图诊断PD的数据集。Senatore等基于该数据集提出利用笛卡尔遗传规划来诊断PD，精度提升到76%[3]。Ali等报道由于该数据集不平衡，因此之前的研究无法获得优越的性能[4]。因而，Ali等基于该数据集开发了随机欠采样的方案来平衡AdaBoost训练过程，然而精度并未得到明显改善(Acc=76.44%)。总得来说，这些机器学习算法未能实现良好的分类性能。刘峰等采用卷积神经网络(convolutional neural network，CNN)来实现基于手绘图的自动PD诊断[5]，精度提升到82.68%。可以发现，深度学习在手绘图诊断PD的研究中取得了突破性的精度。然而遗憾的是，该研究[5]对图像进行了二值化处理，以至于图像的颜色深浅信息被丢失，这会导致模型无法学习手绘图的笔触压力和笔划时间等信息。因此为了应对挑战，本研究采用基于色彩信息保留的图像预处理和深度学习的方式来实现基于手绘图的PD诊断。

1 基于深度学习的诊断方法

1.1 PD手绘图数据集

在本研究中，我们采用博图卡图医学院采集的手绘图数据集[2]，每个患者或健康人提供4张手绘Spiral和4张手绘Meander。……