帕金森症手绘图像分类数据集

本数据集包含帕金森症手绘图像，涵盖健康、轻度、中度和重度四个阶段。基于Swin Transformer模型，通过深度学习自动提取特征并输出分类标签和置信度，助力帕金森症的智能诊断和早期筛查。

数据集概览

数据图像：

图1 样本图像

数据类型：

表1 数据类型与格式

数据规模：
（1）数据集划分饼图

图2 数据集划分饼图

数据集类别

表3 类别定义

数据集来源

表4 数据集来源与说明

数据集用途

本数据集用于帕金森症手绘图像的分类模型训练与验证，涵盖健康、轻度、中度和重度四个阶段。可应用于以下研究与开发方向：
（1）模型训练：支持基于深度学习的图像分类模型（如ResNet50、VGG16、Swin Transformer）进行帕金森症不同阶段的手绘图像特征学习。
（2）性能评估：用于测试模型在帕金森症不同阶段分类任务中的准确率、召回率、F1值等指标。
（3）特征分析：研究健康、轻度、中度和重度帕金森症在手绘图像特征、细节变化等方面的差异。
（4）系统开发：为帕金森症智能诊断系统、医学影像辅助诊断平台及筛查系统提供数据支持。

数据集须知

（1）数据来源：基于公开的帕金森症手绘图像数据集，仅限科研与教学用途。
（2）数据结构：包含训练集与测试集，分为四类样本（健康、轻度、中度、重度）。
（3）文件格式：图像文件为.jpg格式（按类别文件夹组织），文件命名与类别标签严格对应。
（4）使用要求：需遵守医学影像数据隐私与伦理保护相关规定，引用时须注明数据来源。
（5）适用范围：适用于帕金森症不同阶段的手绘图像识别、分类、特征提取及智能诊断系统研究。

数据集性能

训练与验证准确率和损失曲线：

图3 训练与验证准确率和损失曲线线

从图中可以看出，模型训练过程中精度稳步提升，验证精度逐渐稳定，表明泛化能力增强。训练损失持续下降，验证损失虽有波动，但总体改善，说明模型逐渐优化并具备较好的分类能力。

混淆矩阵热力图：

图4 混淆矩阵热力图

从这张混淆矩阵热力图可以看出，模型在分类任务中表现优异。健康类别的预测准确率为99%，轻度和严重病症的分类准确度分别为90%和95%。尽管存在少量误分类，尤其是轻度与健康、轻度与严重之间的混淆，但模型在严重病症识别上几乎完美。整体而言，模型表现出较强的准确性和良好的泛化能力。

各类的分类性能评估：准确率、精确率、召回率与F1分数图

图5 各类的分类性能评估：准确率、精确率、召回率与F1分数图

从图表中可见，模型表现优异，准确率为0.95，精确度超过0.90，严重类别精确度为0.99。召回率接近1，健康和严重类别为1，显示强大的识别能力。F1分数健康为0.97，其他类别均超过0.93，表明模型在各类别间表现平衡，具备强分类能力。