帕金森氏病（PD）是世界上主要的公共卫生疾病之一，其日趋增加，并已对许多国家产生影响。 因此，在疾病早期就进行预测非常重要，因为疾病的症状是在中年或中晚期出现的，因此这对于研究人员来说是一项艰巨的任务。 因此，这项工作着眼于受PD影响的人群的语音清晰度困难症状，并使用各种机器学习技术（例如自适应增强，装袋，神经网络，支持向量机，决策树，随机森林和线性回归）来建立模型。 这些分类器的性能使用各种指标进行评估，例如准确性，接收器工作特性曲线（ROC），灵敏度，精度，特异性。 最后，采用Boruta特征选择技术在预测帕金森氏病的所有特征中找到最重要的特征。

帕金森病检测 使用XGBoost检测帕金森氏病，并使用Flask进行部署。 使用的语言：Python 3.7，Html5，CSS3。 该Web应用程序正在开发中，目前托管在两个云平台中： IBM Cloud： : Heroku云： ：

检测帕金森病 帕金森氏病与运动障碍症状有关，例如震颤，僵硬，运动迟缓和姿势不稳。 运动迟缓和僵硬的表现通常在疾病的早期。 这些对患者的笔迹和素描能力有显着影响，显微照相术已被用于帕金森氏病的早期诊断。 虽然人的笔迹受许多因素（例如语言熟练程度和教育程度）的影响，但发现绘制形状（例如螺旋形）是一种非侵入性且独立的措施。 怎么跑 python detect_parkinsons.py --dataset dataset/spiral python detect_parkinsons.py --dataset dataset/wave

帕金森病数据分析 介绍： 说明和文献： 在这项研究中，我们将分析被诊断出患有这种疾病的患者数据。 期望使用来自受试者的语音数据有助于无创诊断的发展。 帕金森氏症（PWP）的人会遭受言语障碍，例如语音障碍（声音使用不良），低音障碍（音量减小），单调（音调范围减小）和构音障碍（声音或音节发音困难）。 因此，我们在此项目中的分析将基于受影响的语音参数。 数据： 该数据集由牛津大学的Athanasios Tsanas和Max Little与美国的10个医疗中心以及英特尔公司合作开发，后者开发了远程监控设备来记录语音信号。 该数据集由一系列生物医学语音测量组成，从42名帕金森氏症早期患者中招募，到远程症状进展监测的远程监测设备的为期六个月的试验。 这些记录会自动记录在患者家中。 数据集中的列包含受试者编号，受试者年龄，受试者性别，自基线募集日期起的时间间隔，运动UPDRS，总UPDRS和16

帕金森氏病患者的护理，帕金森氏病患者的护理PPT，帕金森氏病患者的护理课件

遗传是帕金森氏病（PD）的关键危险因素之一，患有帕金森氏病的孩子的孩子患该病的风险是两倍。 在本文中，估计了五类家庭中个体罹患帕金森氏病的机会。 也就是说，PD病史阴性的家庭（I），父母病史（II），父母其中一位（III-IV）或父母双方（V）都没有被诊断为阳性的家庭。 经过复杂的建模后，使用最大似然法和贝叶斯方法来估计在上述五种家庭类型中发展帕金森氏症的机会。 了解此类概率非常重要，因为个人可以采取预防措施来克服这种可能性。 尽管许多医师已就PD的发展机会提供了医学意见，但我们的研究是最早提供具有真实数据的统计模型和分析以支持结论的研究之一。

使用步态分析进行帕金森氏病检测 对帕金森氏病（PD）患者和对照对象的步态分析已进行分析，以显示PD患者和对照对象的差异。 使用Phisonet的Gaitpdb数据库提供的数据（已在对象的每只脚上使用8个传感器来计算垂直地面反作用力（VGRF）），已使用7个统计函数执行了数据压缩，以获得数据的代表性图像。 统计函数（最小值，最大值，均值，中位数，标准差，偏度和峰度）已用于将超过300万个元组压缩为310个元组。 最后，各种机器学习技术已应用于转换后的数据集，以执行帕金森氏病的检测。 使用Logistic回归，决策树，随机森林，SVM（线性内核），SVM（RBF内核），SVM（多核）和k最近邻居进

使用小脑灰色物质将帕金森氏病患者与正常对照患者区分开