parkinsons-voice-classification

Ταξινόμηση Νόσου Parkinson μέσω Φωνής με Χρήση Κλασικής Μηχανικής Μάθησης

Voice-Based Classification of Parkinson's Disease Using Classical Machine Learning

---

Ίδρυμα	Εθνικό Μετσόβιο Πολυτεχνείο
Σχολή	Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Τομέας	Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών
Συγγραφέας	Μάριος Χρήστος Συρμακέζης
Επιβλέπων	Γεώργιος Ματσόπουλος, Καθηγητής Ε.Μ.Π.
Συνεπιβλέπουσα	Δρ. Ουρανία Πετροπούλου, ΕΔΙΠ Ε.Μ.Π.
Ημερομηνία	Μάρτιος 2026

---

Σκοπός

Αξιολόγηση και σύγκριση της απόδοσης κλασικών αλγορίθμων μηχανικής μάθησης στο πρόβλημα δυαδικής ταξινόμησης Νόσος Parkinson (PD) έναντι Υγιών Ατόμων (HC) με βάση χαρακτηριστικά φωνής. Εξετάζονται δύο προσεγγίσεις:

1. Εξαγωγή ακουστικών χαρακτηριστικών από ακατέργαστες ηχογραφήσεις (Dataset A — MDVR-KCL)
2. Χρήση προ-εξαγμένων χαρακτηριστικών (Dataset B — PD Speech Features)

---

Δεδομένα

Dataset	Τύπος	Τοπική διαδρομή
A: MDVR-KCL (Zenodo)	Raw WAV recordings	assets/DATASET_MDVR_KCL/
B: PD Speech Features (Kaggle)	Pre-extracted CSV	assets/PD_SPEECH_FEATURES.csv

---

Μεθοδολογία

Εγκατάσταση

make install        # Εγκατάσταση εξαρτήσεων μέσω Poetry

Εκτέλεση πειραμάτων

make extract-all    # Εξαγωγή χαρακτηριστικών από το Dataset A
make experiments    # Εκτέλεση όλων των πειραμάτων ταξινόμησης
make results        # Εμφάνιση αποτελεσμάτων

Demo εφαρμογή

make demo-install       # Εγκατάσταση Flask
make train-demo-model   # Εκπαίδευση μοντέλου για inference
make demo               # Εκκίνηση εφαρμογής → http://127.0.0.1:5000

Μεταγλώττιση διπλωματικής

make thesis         # Δημιουργία PDF μέσω latexmk
make thesis-watch   # Συνεχής αναμεταγλώττιση κατά αλλαγές

---

Δομή Αποθετηρίου

parkinsons-voice-classification/
├── assets/                    # Σύνολα δεδομένων
│   ├── DATASET_MDVR_KCL/     # Ηχογραφήσεις WAV (Dataset A)
│   └── PD_SPEECH_FEATURES.csv # Προ-εξαγμένα χαρακτηριστικά (Dataset B)
├── demo_app/                  # Flask demo εφαρμογή
├── outputs/                   # Παραγόμενα αρχεία
│   ├── features/              # Εξαχθέντα χαρακτηριστικά (baseline / extended)
│   ├── models/                # Εκπαιδευμένα μοντέλα (.joblib)
│   ├── results/               # Αποτελέσματα πειραμάτων (CSV)
│   └── plots/                 # Γραφήματα
├── src/parkinsons_voice_classification/
│   ├── cli/                   # Εντολές CLI (pvc-*)
│   ├── data/                  # Φόρτωση δεδομένων
│   ├── features/              # Εξαγωγή χαρακτηριστικών
│   ├── models/                # Ταξινομητές & cross-validation
│   ├── visualization/         # Σχεδίαση γραφημάτων
│   ├── config.py              # Κεντρική διαμόρφωση
│   └── inference.py           # API πρόβλεψης
├── thesis/                    # Πηγαίος κώδικας LaTeX διπλωματικής
├── Makefile                   # Αυτοματοποίηση εργασιών
└── pyproject.toml             # Εξαρτήσεις Poetry

---

Βασικές Εντολές

Κατηγορία	Εντολή	Περιγραφή
Εγκατάσταση	make install	Εξαρτήσεις μέσω Poetry
Εξαγωγή	make extract-all	Όλα τα tasks
	make extract-readtext	Μόνο ReadText
	make extract-spontaneous	Μόνο SpontaneousDialogue
Πειράματα	make experiments	Εκτέλεση όλων
	make results	Εμφάνιση αποτελεσμάτων
Demo	make demo	Εκκίνηση Flask app
Διπλωματική	make thesis	Μεταγλώττιση PDF
	make thesis-clean	Καθαρισμός artifacts
QA	make test	Εκτέλεση δοκιμών
	make lint	Έλεγχος κώδικα (ruff)

CLI εντολές

Εντολή	Σκοπός
pvc-extract	Εξαγωγή ακουστικών χαρακτηριστικών
pvc-experiment	Εκτέλεση πειραμάτων ταξινόμησης
pvc-train	Εκπαίδευση μοντέλου για inference
pvc-importance	Ανάλυση σημαντικότητας χαρακτηριστικών

---

Αποποίηση Ευθυνών

Μόνο για ερευνητικούς και ακαδημαϊκούς σκοπούς. Η demo εφαρμογή προορίζεται αποκλειστικά για παρουσίαση της διπλωματικής εργασίας. Δεν αποτελεί διαγνωστικό εργαλείο και δεν έχει κλινική εγκυρότητα.

---

Απαιτήσεις

• Python 3.10+
• Poetry
• LaTeX (για μεταγλώττιση διπλωματικής)