Parkinson’s disease (PD) is the second most common neurodegenerative disorder all over the world. There are resting tremor, bradykinesia, and rarely dystonia, all of which are motor symptoms, among the manifestations of PD. But the direct use of these motor symptoms for diagnosis can be misleading since PD can be confused with other Parkinsonisms and further disorders with a similar symptom. Therefore gait can be used, which has significant dynamics in the detection of PD and is an extremely complex motion. In this paper, we employed a state-of-the-art ensemble learning algorithm, called the vibes algorithm, and the Hilbert-Huang Transform (HHT) to recognize PD gait patterns. We extracted the features by the processing of the signals, which come from sixteen sensors on the bottom of both feet, through HHT and sixteen statistical functions. We then performed the two-stage feature selection process by using the vibes algorithm and the OneRAttributeEval algorithm. Finally, we exploited the vibes algorithm and the Classification and Regression Trees as a base learner to differentiate between patients with PD and the control group. The classification accuracy, sensitivity and specificity rates of the proposed method are 98.79%, 98.92%, and 98.61%, respectively. Moreover, we thoroughly contrasted our method with the previous sixteen works. The experiment results demonstrated that our method is high-performance and maintains stability. We also found out two unrevealed markers that could provide support in clinical diagnosis for PD apart from the classification task.

帕金森氏病（PD）是全世界第二常见的神经退行性疾病。在PD的表现中，有静息性震颤，运动迟缓和很少的肌张力障碍，所有这些都是运动症状。但是，直接将这些运动症状用于诊断可能会产生误导，因为PD可能与其他帕金森氏病和其他具有类似症状的疾病混淆。因此，可以使用步态，该步态在PD的检测中具有显着的动态，并且是极其复杂的运动。在本文中，我们采用了最先进的整体学习算法（称为振动算法）和Hilbert-Huang变换（HHT）来识别PD步态模式。我们通过处理信号提取了特征，这些信号来自双脚底部的16个传感器，通过HHT和16个统计函数。然后，我们使用振动算法和OneRAttributeEval算法执行了两阶段的特征选择过程。最后，我们利用共鸣算法和分类回归树作为基础学习者来区分PD患者和对照组。该方法的分类准确率，灵敏度和特异性分别为98.79％，98.92％和98.61％。此外，我们将我们的方法与之前的16种作品进行了彻底对比。实验结果表明，该方法具有较高的性能和稳定性。除了分类任务，我们还发现了两个未公开的标志物，它们可为PD的临床诊断提供支持。我们利用共鸣算法和分类回归树作为基础学习者来区分PD患者和对照组。该方法的分类准确率，灵敏度和特异性分别为98.79％，98.92％和98.61％。此外，我们将我们的方法与之前的16种作品进行了彻底对比。实验结果表明，该方法具有较高的性能和稳定性。除了分类任务，我们还发现了两个未公开的标志物，它们可为PD的临床诊断提供支持。我们利用共鸣算法和分类回归树作为基础学习者来区分PD患者和对照组。该方法的分类准确率，灵敏度和特异性分别为98.79％，98.92％和98.61％。此外，我们将我们的方法与之前的16种作品进行了彻底对比。实验结果表明，该方法具有较高的性能和稳定性。除了分类任务，我们还发现了两个未公开的标志物，它们可为PD的临床诊断提供支持。分别为98.92％和98.61％。此外，我们将我们的方法与之前的16种作品进行了彻底对比。实验结果表明，该方法具有较高的性能和稳定性。除了分类任务，我们还发现了两个未公开的标志物，它们可为PD的临床诊断提供支持。分别为98.92％和98.61％。此外，我们将我们的方法与之前的16种作品进行了彻底对比。实验结果表明，该方法具有较高的性能和稳定性。除了分类任务，我们还发现了两个未公开的标志物，它们可为PD的临床诊断提供支持。