基于离散小波变换与优化集成特征选择(DWT-OEFS)的帕金森病严重程度智能分级系统

研究人员针对帕金森病(PD)严重程度临床评估依赖主观经验的问题，创新性地提出融合离散小波变换(DWT)与优化集成特征选择(OEFS)的智能分级框架。通过分析Physionet步态垂直地面反作用力数据集，采用Binary Grey Wolf等三种元启发式算法进行特征优选，结合SMOTETomek处理数据不平衡，最终加权投票模型实现98.56%的多分类准确率，为PD精准诊疗提供客观量化工具。

　　

帕金森病(PD)作为中枢神经系统的退行性疾病，会显著损害运动功能并导致步态异常。准确评估疾病严重程度对临床诊疗至关重要，传统Hoehn & Yahr量表评估高度依赖医生经验。这项研究开创性地将信号处理技术与智能算法相结合，利用可穿戴设备采集的Physionet步态垂直地面反作用力(VGRF)数据，通过离散小波变换(DWT)进行信号分解，提取包含统计特征、频域特征和熵基特征在内的13维特征集。

为解决医学数据稀缺问题，研究团队采用信号分割技术扩充样本量。为突破"维度灾难"瓶颈，创新性地整合三种仿生元启发式算法——二进制灰狼优化(BGWO)、二进制鲸鱼优化(BWO)和二进制蜻蜓算法(BDA)构建优化集成特征选择(OEFS)框架。针对类别不平衡的挑战，引入SMOTETomek混合采样技术，最终将优选特征输入包括加权投票机制在内的多分类系统。

性能评估显示，该集成模型在准确率(98.56%)、F1值等指标上显著优于现有方法，其中马修斯相关系数(MCC)更凸显其稳健性。这项研究不仅为PD严重程度评估提供了客观量化新范式，其创新的DWT-OEFS框架也为其他神经退行性疾病的智能诊断开辟了新思路。