本方案描述了一种可重复的量子-经典混合工作流程，用于通过人类语音记录对帕金森病进行分类，包括数据预处理、量子电路实现、模型训练以及用于独立重复验证的交叉验证。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本方案描述了一种可重复的量子-经典混合工作流程，用于通过人类语音记录对帕金森病进行分类，包括数据预处理、量子电路实现、模型训练以及用于独立重复验证的交叉验证。
帕金森病是一种进行性神经退行性疾病，目前仍缺乏便捷且低成本的筛查方法。持续元音发声录音包含可测量的声学生物标志物，这些标志物与疾病相关的发声障碍相关，且无需专用设备即可采集。本实验方案描述了一种四量子比特的量子–经典混合卷积神经网络（QI-HCNN），该网络将参数化量子电路与浅层经典分类层相结合，利用降维后的声学语音特征对帕金森病进行分类。该方案还通过与维度匹配的经典神经网络以及梯度提升树分类器进行基准对比，后者分别在降维特征集和完整特征集上进行训练。基于一个公开可用的、去标识化的数据集（包含来自31名个体的195段语音录音），采用三折分层交叉验证时，QI-HCNN的受试者工作特征曲线下面积为0.78，而匹配的经典神经网络为0.87，分别在降维和完整特征集上训练的梯度提升基线模型则分别为0.94–0.95。受控的消融分析表明，电路中的两个纠缠操作之一在设计上无法影响测量输出，而另一个纠缠操作相较于无纠缠变体反而降低了分类性能。基于患者分组的交叉验证进一步显示，性能估计值因分配至测试集的个体不同而存在显著差异，反映出队列规模有限的问题。因此，本方案提供了一个完全明确且可独立复现的量子–经典基线方法，同时结合数据支持对当前电路设计的优势与局限性进行了评估，为未来研究奠定了方法学基础，而非支持其已具备临床诊断就绪的主张。
帕金森病是一种慢性神经退行性疾病，由黑质中多巴胺能神经元进行性丧失引起，全球受影响人数超过1000万，已成为一项重大且日益加重的公共卫生负担1。该疾病既表现为运动症状，如震颤、强直和运动迟缓，也表现为非运动症状，如睡眠障碍和嗅觉丧失。临床诊断主要依赖于使用标准化运动评分量表进行神经系统检查，并在条件允许时辅以多巴胺转运体成像；然而，这两种方法均需要专业人员和基础设施支持，而这些资源并非在所有地区均能均等获得，且早期临床评估仍具有主观性2。由于目前尚无疾病修饰疗法，早期检测的主要价值在于能够实现更早的症状管理和长期随访监测。这一需求推动了低成本、可扩展且非侵入性筛查方法的发展，旨在补充而非取代临床评估。
声音障碍是帕金森病最早可测量的变化之一，且常早于明显的运动症状出现3。持续发出一个元音可提供一种受控的声学信号，从中可提取包括基频微扰、振幅微扰、谐噪比、递归周期密度熵以及去趋势波动分析等多种声学特征。这些特征已被反复证明包含具有诊断价值的信息，并且可以使用消费级录音设备获取4,5。一个基于此类录音数据公开可用的基准数据集已成为该任务的标准测试平台，针对完整特征集应用经典机器学习方法（如支持向量机、随机森林和梯度提升树）....
访问受限。请登录或开始试用以查看此内容。
本方案使用一个公开可用的、去标识化的第三方语音录音数据集。作者未收集任何新的人类受试者数据，本研究也无需额外的机构审查委员会（IRB）批准。数据集获取与参与者层面的数据处理小节中描述的数据集最初由 Little 等人3在机构伦理批准下收集，不包含直接识别参与者的个人信息（仅含匿名化的录音标识符），并可公开用于科研用途。请根据您所在机构的政策，确认对该公开数据集进行二次分析是否需要伦理审查。在作者所在机构，对该完全去标识化且公开存档的数据集进行回顾性二次分析，被认定无需接受完整的 IRB 审查。
数据集获取与参与者水平的数据处理
帕金森病分类数据集（UCI 机器学习知识库，数据集编号 174），最初由 Little 等人描述3，已被下载。该数据集包含来自 31 名个体的 195 次持续元音 /a/ 发音录音（其中 23 名被诊断为帕金森病，8 名为健康对照；年龄范围为 46–85 岁）。由于该知识库未提供版本化 DOI，因此记录并报告了确切的下载日期（见材料表）。数据集以逗号分隔值（CSV）文件形式提供（parkinsons.csv）。无需解压缩或文件格式转换，可直接使用 Pandas 库中的 read_csv 函数导入该文件（参见材料表
访问受限。请登录或开始试用以查看此内容。
文中报告的所有数值均与图2–8和表2–4中呈现的数据一致且完全相同。每张图均直接由补充代码文件1中提供的代码生成，而非手动绘制，从而确保报告的数值与绘图数据之间的一致性。
初级交叉验证性能
在非平衡训练协议下，QI-HCNN 模型在三次分层交叉验证折中分别达到了 0.759 ± 0.007 的准确率、0.774 ± 0.029 的精确率、0.966 ± 0.048 的召回率、0.858 ± 0.003 的 F1 分数，以及受试者工作特征曲线下面积（AUC–ROC）为 0.782 ± 0.022表2). 图2 展示了相应的每折结果。由于数据集存在75.4%/24.6%的类别不平衡，召回率（Recall）和F1分数可能接近一个始终预测为正类的退化分类器的结果（参见 数据集获取与参与者水平数据处理 在本.......
访问受限。请登录或开始试用以查看此内容。
本方案详细描述了一种完全可复现的用于从语音记录中进行帕金森病分类的QI-HCNN架构，其中每个门控机制、参数初始化选择、预处理步骤以及评估流程均被充分阐明，足以支持独立实现。所提出的电路结构在相同的输入特征和相同的交叉验证折分划分条件下，与结构匹配的经典多层感知机和梯度提升树基线模型进行了基准对比。该基准测试设计结合了受控的电路组件消融实验、按患者分组的鲁棒性评估以及明确的统计显著性检验，旨在推动该子领域的方法论实践进步——因为在当前研究中，量子标记架构并不总是与资源相当的经典方法进行比较，也未充分检验小规模生物医学队列相关的特定失效模式10。方案中的关键步骤包括按折预处理以防止信息泄露、以参与者为单位进行验证以最小化来自同一受试者重复录音所引起的偏差，以及使用维度匹配的经典基线模型，从而实现直接的架构间比较，符合基于机器学习的帕金森病分类最佳实践标准1,5,6。
访问受限。请登录或开始试用以查看此内容。
利益冲突：
作者声明，他们不存在与本工作相关的任何经济或非经济利益冲突。
本工作未获得任何机构或组织的技术或资金资助。作者感谢加州大学欧文分校机器学习资料库（UCI Machine Learning Repository）的维护人员，提供了本研究中所用语音录音数据集的公开访问权限。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Adam 优化器 | 标准数值优化实现 | 自定义实现；NumPy 2.4.4 | 量子与经典参数的联合优化；模型训练 |
| 二元交叉熵损失函数实现 | 使用 NumPy 自定义实现 | NumPy 2.4.4；每个小批量上的损失取平均值（均值约简） | 训练损失函数；模型训练 |
| 梯度提升树分类器 | XGBoost 开源梯度提升库 | XGBoost 3.3.0；objective="binary:logistic"；eval_metric="logloss"；tree_method="auto"；random_state=42 | PCA 匹配和全特征经典基线；评估协议 |
| 机器学习库 | scikit-learn 开源机器学习库 | scikit-learn 1.8.0 | Min–Max 缩放、主成分分析、分层交叉验证、参与者分组交叉验证、多层感知机基线及评估指标 |
| 数值计算库 | NumPy 开源数值计算库 | NumPy 2.4.4 | 核心数组操作、态矢量模拟、参数初始化和手动梯度计算 |
| Parkinson’s Disease Classification 数据集 | Little, McSharry, Roberts, Costello 和 Moroz 提供；通过 UCI 机器学习知识库发布 | UCI 数据集编号 174；来自 31 名参与者的 195 条记录；访问日期：2025 年 6 月 19 日 | 原始持续元音语音记录数据集；https://archive.ics.uci.edu/dataset/174 |
| 科学计算库 | SciPy 开源科学计算库 | SciPy 1.17.1 | Wilcoxon 符号秩检验用于统计显著性分析；评估协议 |
| 态矢量模拟器 | 自定义态矢量模拟器（补充代码文件 1；qhcnn.py） | 纯 NumPy 实现；complex128（双精度）；无需外部后端 | 四量子比特量子电路的执行；量子电路构建 |
| 表格数据处理库 | Pandas 开源数据分析库 | Pandas 3.0.2 | 数据集加载、检查和表格操作 |
| 工作站计算环境 | 本地 CPU 工作站（云托管 Linux 容器） | x86_64 CPU；Ubuntu Linux；Python 3；未使用 GPU 或量子硬件；每折近似实际训练时间为 30–60 秒 | 所有训练与评估所用的计算环境；基于 CPU 的态矢量模拟；无需 GPU 或量子硬件 |
访问受限。请登录或开始试用以查看此内容。