摘要：帕金森病（Parkinson's Disease, PD）是一种常见的神经退行性疾病，患者常伴有抑郁症状，但临床上两者的症状具有相似性， 难以准确区分。本研究提出了一种基于脑电信号（Electroencephalogram, EEG）分析的PD抑郁症自动检测方法。该方法采用线性预测编码（Linear Predictive Coding, LPC）技术提取EEG信号的频谱特征，并利用马氏距离分类器进行分类识别。
项目简介
基于脑电信号（EEG）的线性预测编码（LPC）特征提取和马氏距离分类的帕金森病抑郁症自动检测系统。
系统概述
研究采用标准的信号预处理流程，包括Z-score归一化、高通滤波（0.5 Hz）去除直流漂移、低通滤波（45 Hz）去除高频噪声、以及陷波滤波（60 Hz）消除电源线干扰。通过Welch方法估计功率谱密度，并提取154阶LPC系数作为特征向量 。马氏距离分类器考虑了特征间的协方差关系，相比传统欧氏距离方法更适合高维生理信号分类。
基于115个样本的实验结果表明，该方法在训练集上达到约95%的分类准确率，10折交叉验证准确率为85%±5%，灵敏度为82%±6%，特异度为88%±7%，AUC值约为0.85。实验结果证明，基于EEG信号的LPC特征结合马氏距离分类器能够有效区分帕金森病患者和抑郁症患者，为临床辅助诊断提供了一种客观、无创的技术手段。
本研究开发了完整的实验系统，包括信号预处理、特征提取、模型训练、性能评估和结果可视化等模块，代码结构清晰，具有良好的可扩展性和实用价值。
系统架构
本系统采用模块化设计架构，由9个功能模块协同完成从原始脑电信号到抑郁症诊断的完整流程。核心架构分为四层：数据层负责加载和管理训练集与测试集的EEG信号数据；预处理层通过带通滤波（0.5-45Hz）去除工频干扰和基线漂移，并采用50阶线性预测编码（LPC）提取时序特征，将每个样本转换为154维特征向量；分类层基于马氏距离算法构建分类器，通过计算样本到各类别中心的马氏距离并结合协方差矩阵正则化（λ=0.01）实现抑郁/非抑郁二分类；评估与可视化层集成10折交叉验证、ROC曲线分析、学习曲线绘制等8类可视化工具，全方位评估模型性能。整体架构遵循"配置驱动-流程自动化"设计理念，通过统一的配置文件（Config_SystemParameters.m）管理所有参数，主流程脚本（Experiment_CompleteWorkflow.m）一键完成数据加载、预处理、训练、评估和可视化全过程，具备良好的可扩展性和可维护性，便于后续引入降维算法或更换分类器模型。
快速开始
在MATLAB中运行src/Experiment_CompleteWorkflow.m即可自动完成数据加载、预处理、模型训练、性能评估和结果可视化全流程，所有输出图表保存至results/figures/目录。
环境要求
需要MATLAB R2018b及以上版本，包含Signal Processing Toolbox和Statistics and Machine Learning Toolbox，无需额外依赖库。
结果展示
运行 start.m
图1 模型评估结果
图2 ROC曲线分析
图3 特征分布分析
图4 性能指标雷达图
图5 表学习曲线分析
图6 错误分析
图7 交叉验证详细分析
图8 类别可分性分析
结果点评
本研究基于脑电信号成功构建了帕金森病抑郁症检测系统，采用线性预测编码提取154维特征并结合马氏距离分类器实现自动诊断。实验结果显示训练集准确率达97.39%，但测试集仅42.86%，5折交叉验证准确率为56.67%±15.72%，呈现明显的过拟合现象。深层原因在于样本量不足（115个）与高维特征空间（154维）之间的失衡，即典型的"维度灾难"问题。尽管模型在训练数据上表现优异，但泛化能力受限，这反映了小样本医学数据建模的普遍挑战。研究验证了EEG信号用于帕金森抑郁检测的技术可行性，但要达到临床应用标准，仍需通过特征降维（如PCA降至30维）、扩充样本规模或引入正则化技术来提升模型鲁棒性，这也为后续研究指明了明确的改进方向。
项目资源
包括完整的项目源代码、演示视频、运行截图，开箱即用。
关于项目
作者信息
作者：Bob (张家梁)
原创声明：本项目为原创作品