编辑推荐：
帕金森病（PD）早期诊断困难，现有算法易陷局部最优。研究人员提出改进灰狼优化算法（MGWO-eP）用于 PD 早期检测，通过调整参数增强探索能力。在 3 个基准数据集上，MGWO-eP 结合 6 种机器学习分类器，最高准确率达 98.31%，为 PD 早期诊断提供新方法。
帕金森病（Parkinson’s disease, PD）是全球常见的神经退行性疾病，其早期症状如运动迟缓、震颤等易与其他疾病混淆，导致诊断延迟。传统诊断依赖临床症状观察，缺乏客观量化指标，而基于机器学习的早期检测方法因特征选择效率低、算法易陷入局部最优等问题，限制了诊断精度提升。因此，开发更高效的特征选择算法以提高 PD 早期检测的准确性和可靠性，成为亟待解决的医学与工程交叉领域难题。
为攻克上述挑战，研究人员开展了基于优化算法改进的 PD 早期检测研究。研究针对经典灰狼优化算法（Gray Wolf Optimization, GWO）在高维数据中易早熟收敛、探索能力不足的缺陷，提出改进版本 MGWO-eP 算法，通过引入指数衰减的探索参数 e 和动态调整系数向量 P，增强算法在特征选择中的全局搜索能力，避免陷入局部最优。研究成果发表于《Biomedical Signal Processing and Control》。
研究主要采用以下关键技术方法：
- 数据采集与预处理：使用包含手写（HandPD Spiral、HandPD Meander）和语音（SpeechPD）样本的 3 个基准 PD 数据集，涵盖 368 至 1040 个样本，特征数分别为 13、13 和 23 维。
- 特征选择与优化：利用 MGWO-eP 算法对数据集进行特征筛选，通过调整 e 的指数衰减模式和 P 的独立性更新机制，提升特征子集的优化效率。
- 分类模型构建：结合随机森林（RF）、K 近邻（KNN）、决策树（DT）、逻辑回归（LR）、朴素贝叶斯（NB）及投票分类器（Voting Classifier）等 6 种机器学习模型，评估特征子集的分类性能。
研究结果
4.1 算法性能验证
通过 23 个基准优化函数测试，MGWO-eP 在 14 个函数中表现优于传统 GWO、粒子群优化（PSO）等算法，尤其在单峰、多峰及固定维度多峰函数中，展现出更强的全局最优搜索能力和抗局部最优性能。
4.2 PD 数据集分类效果
- HandPD Spiral 数据集：MGWO-eP 结合投票分类器，准确率达 96.30%，精确率 100%，F1 分数 95.65%，显著优于 GWO 和 PSO。
- HandPD Meander 数据集：随机森林分类器在 MGWO-eP 特征选择下准确率为 94.45%，KNN 的精确率和检测率均达 100%。
- SpeechPD 数据集：投票分类器实现最高 98.31% 的准确率，精确率和检测率均为 100%，假警报率仅 1.00%。
4.3 计算效率与鲁棒性
MGWO-eP 在计算时间和收敛速度上显著优于对比算法。例如，在 SpeechPD 数据集上，MGWO-eP 仅需 140 次迭代和 42 秒，而 GWO 需 180 次迭代和 60 秒，PSO 需 230 次迭代和 85 秒，凸显其高效性。
结论与讨论
研究表明，MGWO-eP 通过改进探索 - 开发平衡机制，显著提升了特征选择的质量和分类模型的性能，为 PD 早期检测提供了一种高效的跨模态数据处理方法。其在手写和语音数据中的高准确率（最高 98.31%），证明了基于多模态特征融合与优化算法的诊断策略的有效性。尽管研究局限于特定数据集且需进一步验证跨领域泛化能力，但该方法为神经退行性疾病的早期无创诊断提供了新范式，有望推动基于机器学习的智能诊断技术在临床场景中的应用，助力实现 PD 的早发现、早干预，延长患者无残疾生存期。
