帕金森病分类中的平衡与特征选择策略：一种改进的序列特征选择方法

《Biomedical Signal Processing and Control》：Balancing and feature selection strategy for Parkinson’s disease classification: An improved sequential feature selection approach

帕金森病（PD）早期诊断中，传统方法存在侵入性高、成本大等问题，本研究提出改进的顺序特征选择（ISFS）方法，结合SMOTE过采样与随机森林（RF）特征筛选，解决数据不平衡与高维特征问题。实验采用SVM、KNN、DT、NB、MLP、RF、XGB七种分类器，通过随机搜索交叉验证优化超参数，验证ISFS在PD诊断中的有效性。结果显示，KNN、RF、XGB和MLP模型准确率达100%，显著优于现有文献，同时提升模型泛化能力。

　　 Parkinson’s Disease (PD) 是一种影响全球数百万患者的神经退行性疾病。其主要特征包括运动功能障碍，如震颤、僵硬和运动迟缓，这些症状通常由大脑中多巴胺生成细胞的退化引起。由于 PD 的诊断对疾病的早期干预和治疗效果至关重要，因此开发更快速、高效和可靠的诊断方法成为研究的重点。然而，传统的 PD 诊断方法往往依赖于侵入性检查、昂贵的设备以及耗时的专家评估，这使得基于机器学习（ML）的诊断方法在近年来受到越来越多的关注。

在机器学习领域，模型的性能通常受到数据质量、特征选择和数据平衡等多方面因素的影响。特别是在医疗数据集中，由于样本分布不均衡（class imbalance）和高维特征的存在，模型的泛化能力和分类准确率常常受到限制。因此，如何有效处理这些问题，成为提升 PD 诊断准确性的关键。现有的研究中，常用的解决方案包括特征选择（Feature Selection, FS）和数据平衡技术，如过采样（oversampling）、欠采样（undersampling）以及类别加权（class weighting）。然而，这些方法在不同数据集上的效果可能存在差异，且单独使用时也可能带来一些问题，例如过采样可能导致模型过度依赖合成样本，而特征选择可能忽略少数类别中关键的特征。

为了克服这些挑战，本文提出了一种新的特征选择方法——改进的顺序特征选择（Improved Sequential Feature Selection, ISFS）。ISFS 方法结合了合成少数过采样技术（Synthetic Minority Oversampling Technique, SMOTE）和随机森林（Random Forest, RF）算法，通过在数据平衡前后进行特征选择，从而提升模型的分类性能和泛化能力。在 ISFS 框架下，SMOTE 用于解决数据不平衡问题，而 RF 算法则用于评估特征的重要性，以确定哪些特征对 PD 诊断最为关键。这种方法的优势在于，它不仅能够利用原始数据中的真实特征，还能通过数据平衡后的增强表示，进一步优化特征集合的分布和相关性。

为了验证 ISFS 方法的有效性，本文对七种不同的 ML 分类器（包括支持向量机、K近邻、决策树、朴素贝叶斯、多层感知机、随机森林和XGBoost）进行了实验评估。通过使用 RandomizedSearchCV 方法对这些分类器进行超参数优化，进一步提升了模型的泛化能力。实验结果表明，ISFS 方法在多个分类器中都取得了显著的性能提升，特别是在 KNN、RF 和 MLP 模型中，准确率甚至达到了接近 100% 的水平，远超现有文献中的研究结果。此外，ISFS 方法在提升模型的分类性能的同时，还增强了其在处理不平衡和复杂数据集时的泛化能力。

在 PD 诊断中，语音特征被认为是早期识别的重要生物标志物。通常，患者的语音会被录制下来，并从中提取诸如基频（fundamental frequency）、最小和最大频率、抖动（jitter）、 shimmer 和谐波-噪声比（harmonic-to-noise ratio）等特征。然而，这些特征的质量对 ML 算法的诊断准确率起着决定性作用。因此，如何在不损失关键信息的前提下，对这些特征进行有效的筛选，成为提高诊断准确性的关键步骤。本文提出的 ISFS 方法通过在数据平衡前后进行特征选择，不仅能够保留关键特征，还能避免因过采样导致的特征偏差问题。

本文的研究还探讨了特征选择和数据平衡顺序对模型性能的影响。传统的做法通常是在数据平衡之后进行特征选择，但这种方法可能会忽略少数类别中关键的特征。相反，如果在数据平衡之前进行特征选择，则可能无法充分反映少数类别的分布情况。因此，本文通过实验分析了这两种策略的优劣，并得出结论：在数据平衡后进行特征选择，能够更好地提升分类性能，尤其是在处理高维数据时，这种方法能够有效减少冗余特征的影响，提高模型的效率和准确性。

此外，本文还对模型的泛化能力进行了分析，采用了 Leave-One-Out Cross-Validation（LOSO-CV）和 Outer Cross-Validation（Outer-CV）两种方法。这两种方法在评估模型性能时，能够更全面地反映其在不同数据集上的表现。通过实验，本文发现 ISFS 方法在保持高分类准确率的同时，也能够显著提升模型的泛化能力，使其在面对新的数据时具有更强的适应性。

在实验过程中，本文使用了 Max Little 数据集，该数据集包含了大量 PD 患者的语音数据，以及相应的健康对照组数据。通过将这些数据用于训练和测试，本文验证了 ISFS 方法在实际应用中的有效性。实验结果显示，ISFS 方法在处理不平衡数据集时，能够有效提升分类器的性能，并且在不同分类器中的表现具有一定的通用性。特别是，在使用 KNN、RF 和 MLP 这些模型时，ISFS 方法能够显著提高其准确率，使其在 PD 诊断中具有更强的竞争力。

本文的研究还指出，现有的特征选择和数据平衡方法在处理 PD 数据时存在一定的局限性。例如，SMOTE + FS 策略虽然能够提升分类准确率，但也可能导致模型对合成样本产生过度依赖，从而影响其泛化能力。另一方面，FS + SMOTE 策略可能会忽略少数类别中关键的特征，导致分类结果不够准确。因此，ISFS 方法通过将这两种策略的优势结合起来，能够在不牺牲真实特征的情况下，提升模型的分类性能和泛化能力。

在进行特征选择和数据平衡的过程中，本文还对模型的超参数进行了优化。通过使用 RandomizedSearchCV 方法，对分类器的超参数进行随机搜索，以找到最优的组合，从而提高模型的性能。实验结果显示，超参数优化对分类器的性能提升具有显著影响，尤其是在处理高维数据时，优化后的模型能够更好地适应数据特征，提高分类准确率。

综上所述，本文通过提出 ISFS 方法，解决了 PD 诊断中特征选择和数据平衡的顺序问题，从而提升了分类器的性能和泛化能力。实验结果表明，ISFS 方法在多个分类器中都取得了显著的提升，特别是在 KNN、RF 和 MLP 模型中，准确率甚至达到了接近 100% 的水平。此外，ISFS 方法在处理不平衡和复杂数据集时，能够有效提升模型的分类性能，并增强其泛化能力。因此，ISFS 方法为 PD 的早期诊断提供了一种新的解决方案，具有重要的应用价值和研究意义。