دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 16 3 2025 09 23 Multiclass Diagnosis of Parkinson's Disease Using Deep Learning and Spectrogram Analysis of Speech تشخیص چندکلاسه پارکینسون با استفاده از یادگیری عمیق و تحلیل اسپکتروگرام گفتار 121 132 30520 10.22108/isee.2026.147420.1773 FA سید محمد جوادی مقدم دانشیار گروه کامپیوتر، دانشکده فنی ومهندسی، دانشگاه بزرگمهر قائنات، قاین، ایران پریسا امنلو دانشجوی کارشناسی ارشد گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بزرگمهر قائنات، قاین، ایران Journal Article 2025 11 15 Parkinson's disease, as one of the most common progressive neurological disorders, is associated with motor and acoustic abnormalities. Since voice assessments are non-invasive, inexpensive, and readily available, the development of intelligent early diagnosis systems based on speech data has become increasingly important. However, achieving high diagnostic accuracy remains a challenge for these methods. In this study, we present a hybrid deep learning model for the diagnosis of Parkinson's disease. The proposed approach involves extracting Mel spectrograms, applying normalization, and performing targeted data augmentation specifically for the patient class. In the proposed architecture, after training the models to achieve high detection accuracy, the output class is predicted using feature fusion, random dropout, and several deep layers. The evaluation results on an audio dataset demonstrate an accuracy of 98.54% in disease diagnosis, which outperforms previous models. These findings indicate that combining deep learning and speech analysis can provide an effective tool for the accurate and rapid screening of patients with Parkinson's disease. بیماری پارکینسون به‌عنوان یکی از شایع‌ترین اختلالات عصبی پیشرونده، با بروز ناهنجاری‌های حرکتی و آکوستیکی همراه است. از آنجا که ارزیابی‌های صوتی، غیرتهاجمی، کم‌هزینه و در دسترس هستند، توسعه سامانه‌های هوشمند تشخیص زودهنگام بر اساس داده‌های گفتاری اهمیت فزاینده‌ای یافته است. از طرفی دقت در تشخیص بیماری از جمله چالش‌های این روش‌ها می‌باشد. در این پژوهش، بعد از استخراج اسپکتروگرام مل ، نرمال‌سازی، و افزایش هدفمند داده ها برای کلاس بیماران، یک مدل ترکیبی مبتنی بر یادگیری عمیق برای تشخیص بیماری پارکینسون ارائه شده است. درمعماری پیشنهادی بعد از اموزش مدل های با بالاترین دقت تشخیص، با استفاده از تکنیک ادغام ویژگی‌ها، حذف تصادفی و چندین لایه عمیق کلاس خروجی پیش بینی می‌شود. نتایج ارزیابی مدل پیشنهادی بر روی یک مجموعه داده صوتی حاکی از دقت 98.54٪ در تشخیص بیماری می باشد که در مقایسه با مدل‌های پیشین عملکرد بهتری داشته است. این یافته‌ها نشان می‌دهد که تلفیق یادگیری عمیق و تحلیل گفتار می‌تواند ابزاری مؤثر در راستای غربالگری دقیق و سریع بیماران مبتلا به پارکینسون فراهم آورد. https://isee.ui.ac.ir/article_30520_45fc5c88112d6802b923cb8308b73f87.pdf