目前,帕金森病主要是由医生通过统一帕金森病评分量表对患者的症状进行主观评估,这容易导致高误诊率。一些可穿戴设备被开发以辅助提供准确的诊断结果,然而这个过程要求患者和医生进行配合,这对于本来就行动受限的帕金森患者是非常不便的。据报道,帕金森患者会在早期表现出一定的语音障碍和书写障碍。因此,为了提供无创便捷的诊断方案,本研究致力于开发基于语音数据和手绘图数据的帕金森病诊断方案,具体工作如下:首先,我们开发了基于公开语音数据的帕金森病诊断方案。原始的语音数据集提供了752组特征数据,这对于分类模型而言是庞大的特征数据量,然而并非所有特征都与帕金森病具有良好的相关性。因此,为了提取最优目标特征子集,我们设计了基于AdaBoost的特征筛选方法。值得注意的是过多的弱分类器能保留更多的特征信息,但也包含更多相关度低的特征,且其对应的程序处理时间也相应较长。较少的弱分类器能提取相关度更高的特征参数,然而信息遗漏也是一大值得关注的问题。因此本研究致力于提供最优化弱分类器的设置方案,以平衡特征信息保留以及模型处理时间代价。此外,为了实现良好泛化性能的帕金森病诊断,我们开发了基于正则化损失函数的XGBoost来实现最终病情诊断。我们将所设计的方案与一些先进的模型进行对比,所提出的方案实现了最优的性能(精度=97.28%),并优于先前报道。然后,我们设计了基于手绘数据集的帕金森病诊断方案,该数据集包含螺旋手绘图和迷宫手绘图,我们提供了卷积神经网络(Convolutional Neural Networks,CNN)和胶囊神经网络(Capsule Neural Networks,CapsNet)的诊断方案。不同于传统仅仅保留轨迹的手绘图预处理方案,我们为手绘图保留了图像的色彩信息,这使得后续模型可以学习基于色彩信息的笔触压力,速度,笔划时间等信息。相比CNN,由于具有动态路由和矢量化的特征处理方式,CapsNet能捕获图像的相对位置差异。由呈现的结果分析,CNN是基于迷宫图诊断帕金森病更合理的方案,而CapsNet是基于螺旋图诊断帕金森更好的方案。值得注意的是,基于螺旋图的CapsNet提供了基于手绘图诊断帕金森病的最优性能,且CNN的诊断精度优于先前二值化预处理图像的相应报道。根据这部分研究将报道三个结论:1)保留色彩信息的手绘图更有利于实现高精度的帕金森病诊断;2)螺旋图比迷宫图涵盖更多的差异以区分帕金森病和健康人;3)螺旋图的相对位置差异明显多于迷宫图。总的来说,本研究提出的两种诊断方案仅要求患者供一张手绘图或者语音数据即可确认该患者是否患有帕金森病,这对于帕金森病的便捷诊断具有重要意义。