KLASYFIKACJA CHOROBY PARKINSONA I INNYCH ZABURZEŃ NEUROLOGICZNYCH Z WYKORZYSTANIEM EKSTRAKCJI CECH GŁOSOWYCH I TECHNIK REDUKCJI
Oumaima Majdoubi
oumaima_majdoubi@um5.ac.maMohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnology (Maroko)
https://orcid.org/0009-0000-2968-7975
Achraf Benba
Mohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnology (Maroko)
http://orcid.org/0000-0001-7939-0790
Ahmed Hammouch
Mohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnology (Maroko)
http://orcid.org/0009-0005-8691-6662
Abstrakt
Przedstawione badanie miało na celu różnicowanie osób z chorobą Parkinsona (PD) od osób z innymi zaburzeniami neurologicznymi poprzez analizę próbek głosowych, biorąc pod uwagę związek między zaburzeniami głosu a PD. Próbki głosowe zostały zebrane od 76 uczestników przy użyciu różnych urządzeń i warunków nagrywania, a uczestnicy byli instruowani, aby wydłużyć samogłoskę /a/ w wygodnym tempie. Oprogramowanie PRAAT zostało zastosowane do ekstrakcji cech, takich jak autokorelacja (AC), krzyżowa korelacja (CC) i współczynniki cepstralne Mel (MFCC) z próbek głosowych. Analiza składowych głównych (PCA) została wykorzystana w celu zmniejszenia wymiarowości cech. Jako techniki nadzorowanego uczenia maszynowego wykorzystano drzewa decyzyjne (CT), regresję logistyczną, naiwny klasyfikator Bayesa (NB), maszyny wektorów nośnych (SVM) oraz metody zespołowe. Każda z tych metod posiadała swoje unikalne mocne strony i charakterystyki, umożliwiając kompleksową ocenę ich skuteczności w rozróżnianiu pacjentów z PD od osób z innymi zaburzeniami neurologicznymi. Naiwny klasyfikator Bayesa, wykorzystujący siedem składowych PCA, osiągnął najwyższy wskaźnik dokładności na poziomie 86,84% wśród przetestowanych metod klasyfikacji. Należy jednak zauważyć, że wydajność klasyfikatora może się różnić w zależności od zbioru danych i konkretnych cech próbek głosowych. Podsumowując, to badanie wykazało potencjał analizy głosu jako narzędzia diagnostycznego do rozróżniania pacjentów z PD od osób z innymi zaburzeniami neurologicznymi. Poprzez zastosowanie różnych technik analizy głosu i wykorzystanie różnych algorytmów uczenia maszynowego, takich jak drzewa decyzyjne, regresja logistyczna, naiwny klasyfikator Bayesa, maszyny wektorów nośnych i metody zespołowe, osiągnięto znaczący poziom dokładności. Niemniej jednak, konieczne są dalsze badania i walidacja na większych zbiorach danych w celu skonsolidowania i uogólnienia tych wyników dla przyszłych zastosowań klinicznych.
Słowa kluczowe:
analiza głosu, choroba Parkinsona, MFCC, PCA, naiwne jądro bayesowskie, uczenie maszynoweBibliografia
Abramson E. L. et al.: Physician experiences transitioning between an older versus newer electronic health record for electronic prescribing. International journal of medical informatics 81(8), 2012, 539–548.
DOI: https://doi.org/10.1016/j.ijmedinf.2012.02.010
Google Scholar
Andersen T. et al.: Designing for collaborative interpretation in telemonitoring: Re-introducing patients as diagnostic agents. International journal of medical informatics 80(8), 2011, e112–e126.
DOI: https://doi.org/10.1016/j.ijmedinf.2010.09.010
Google Scholar
Baker K. K. et al.: Thyroarytenoid muscle activity associated with hypophonia in Parkinson disease and aging. Neurology 51(6), 1998, 1592–1598.
DOI: https://doi.org/10.1212/WNL.51.6.1592
Google Scholar
Benba A. et al.: Discriminating between patients with Parkinson’s and neurological diseases using cepstral analysis. IEEE transactions on neural systems and rehabilitation engineering 24(10), 2016, 1100–1108.
DOI: https://doi.org/10.1109/TNSRE.2016.2533582
Google Scholar
Benba A. et al.: Hybridization of best acoustic cues for detecting persons with Parkinson's disease. Second World Conference on Complex Systems (WCCS), IEEE, 2014, 622–625.
DOI: https://doi.org/10.1109/ICoCS.2014.7060885
Google Scholar
Benba A. et al.: Using RASTA-PLP for discriminating between different neurological diseases. International Conference on Electrical and Information Technologies (ICEIT), IEEE, 2016, 406–409.
DOI: https://doi.org/10.1109/EITech.2016.7519630
Google Scholar
Boersma P. et al.: Accurate short-term analysis of the fundamental frequency and the harmonics-to-noise ratio of a sampled sound. Proceedings of the institute of phonetic sciences, 1993, 97–110.
Google Scholar
De Colle W.: Voce & Computer – analisi acustica digitale del segnale verbale. Omega, 2001.
Google Scholar
Gales M. et al.: The application of hidden Markov models in speech recognition. Foundations and Trends in Signal Processing 1(3), 2008, 195–304.
DOI: https://doi.org/10.1561/2000000004
Google Scholar
Gillies G. E., et al.: Sex differences in Parkinson’s disease. Frontiers in neuroendocrinology 35(3), 2014, 370–384.
DOI: https://doi.org/10.1016/j.yfrne.2014.02.002
Google Scholar
Gorris C. et al.: Acoustic analysis of normal voice patterns in Italian adults by using Praat. Journal of Voice 34(6), 2020, 961.e9–961.e18.
DOI: https://doi.org/10.1016/j.jvoice.2019.04.016
Google Scholar
Goyal J. et al.: A hybrid approach for Parkinson’s disease diagnosis with resonance and time-frequency based features from speech signals. Expert Systems with Applications 182, 2021, 115283.
DOI: https://doi.org/10.1016/j.eswa.2021.115283
Google Scholar
Gupta S. et al.: Feature extraction using MFCC. Signal & Image Processing. An International Journal 4(4), 2013, 101–108.
DOI: https://doi.org/10.5121/sipij.2013.4408
Google Scholar
Holi M. S. et al.: Automatic detection of neurological disordered voices using mel cepstral coefficients and neural networks. IEEE Point-of-Care Healthcare Technologies (PHT), IEEE, 2013, 76–79.
Google Scholar
Islam M. R., Nahiduzzaman M.: Complex features extraction with deep learning model for the detection of COVID19 from CT scan images using ensemble based machine learning approach. Expert Systems with Applications 195, 2022, 116554.
DOI: https://doi.org/10.1016/j.eswa.2022.116554
Google Scholar
Lieberman P.: Perturbations in vocal pitch. The Journal of the Acoustical Society of America 33, 1961, 597–602.
DOI: https://doi.org/10.1121/1.1908736
Google Scholar
Lieberman P.: Some acoustic measures of the fundamental periodicity of normal and pathologic larynges. The Journal of the Acoustical Society of America 35(3), 1963, 344–353.
DOI: https://doi.org/10.1121/1.1918465
Google Scholar
Little M. et al. Suitability of dysphonia measurements for telemonitoring of Parkinson’s disease. Nature Precedings, 2008, 1–1.
DOI: https://doi.org/10.1038/npre.2008.2298.1
Google Scholar
Little M. et al.: Exploiting nonlinear recurrence and fractal scaling properties for voice disorder detection. Nature Precedings, 2007, 1–1.
DOI: https://doi.org/10.1038/npre.2007.326.1
Google Scholar
Mandal I., Sairam N.: Accurate telemonitoring of Parkinson's disease diagnosis using robust inference system. International journal of medical informatics 82(5), 2013, 359–377.
DOI: https://doi.org/10.1016/j.ijmedinf.2012.10.006
Google Scholar
O'Sullivan S. B., Schmitz T. J.: Parkinson disease. Physical Rehabilitation 5th ed., F. A. Davis Company, Philadelphia 2007, 856–894.
Google Scholar
Pahuja G., Nagabhushan T. N.: A comparative study of existing machine learning approaches for Parkinson's disease detection. IETE Journal of Research 67(1), 2021, 4–14.
DOI: https://doi.org/10.1080/03772063.2018.1531730
Google Scholar
Parkinson J.: An Essay on Shaking Palsy. Whittingham and Rowland Printing, London 1817.
Google Scholar
Rahman A. et al.: Parkinson’s disease diagnosis in cepstral domain using MFCC and dimensionality reduction with SVM classifier. Mobile Information Systems 2021, 1–10.
DOI: https://doi.org/10.1155/2021/8822069
Google Scholar
Rahn III. et al.: Phonatory impairment in Parkinson's disease: evidence from nonlinear dynamic analysis and perturbation analysis. Journal of Voice 21(1), 2007, 64–71.
DOI: https://doi.org/10.1016/j.jvoice.2005.08.011
Google Scholar
Sharanyaa S. et al.: An Exploration on Feature Extraction and Classification Techniques for Dysphonic Speech Disorder in Parkinson’s Disease. Inventive Communication and Computational Technologies: Proceedings of ICICCT 2021, Springer Singapore, 2022, 33–48.
DOI: https://doi.org/10.1007/978-981-16-5529-6_4
Google Scholar
Stelzig Y. et al.: Laryngeal manifestations in patients with Parkinson disease. Laryngo-rhino-otologie 78(10), 1999, 544–551.
DOI: https://doi.org/10.1055/s-1999-8758
Google Scholar
Teixeira J. P. et al.: Vocal acoustic analysis–jitter, shimmer and hnr parameters. Procedia Technology 9, 2013, 1112–1122.
DOI: https://doi.org/10.1016/j.protcy.2013.12.124
Google Scholar
Teston B.: L'évaluation objective des dysfonctionnements de la voix et de la parole; 2e partie: les dysphonies. Travaux Interdisciplinaires du Laboratoire Parole et Langage d'Aix-en-Provence (TIPA) 20, 2001, 169–232.
Google Scholar
Tiwari V.: MFCC and its applications in speaker recognition. International journal on emerging technologies 1(1), 2010, 19–22.
Google Scholar
Van Den E. et al.: Incidence of Parkinson’s disease: variation by age, gender, and race/ethnicity. American Journal of Epidemiology 157(11), 2003, 1015–1022.
DOI: https://doi.org/10.1093/aje/kwg068
Google Scholar
Wendahl R. W.: Laryngeal analog synthesis of jitter and shimmer auditory parameters of harshness. Folia Phoniatrica et Logopaedica 18(2), 1966, 98–108.
DOI: https://doi.org/10.1159/000263059
Google Scholar
Autorzy
Oumaima Majdoubioumaima_majdoubi@um5.ac.ma
Mohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnology Maroko
https://orcid.org/0009-0000-2968-7975
Autorzy
Achraf BenbaMohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnology Maroko
http://orcid.org/0000-0001-7939-0790
Autorzy
Ahmed HammouchMohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnology Maroko
http://orcid.org/0009-0005-8691-6662
Statystyki
Abstract views: 231PDF downloads: 195
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Inne teksty tego samego autora
- Achraf Benba, Abdelilah Kerchaoui, AUTOMATYCZNE WYKRYWANIE CHOROBY ALZHEIMERA W OPARCIU O SZTUCZNĄ INTELIGENCJĘ , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 1 (2023)
- Achraf Benba, Fatima Zahra El Attaoui, Sara Sandabad, WDROŻENIE SYSTEMU POZYSKIWANIA EKG OPARTEGO NA SZTUCZNEJ INTELIGENCJI W CELU WYKRYWANIA NIEPRAWIDŁOWOŚCI SERCA , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 1 (2023)
- Oumaima Majdoubi, Achraf Benba, Ahmed Hammouch, KOMPLEKSOWE METODY UCZENIA MASZYNOWEGO I UCZENIA GŁĘBOKIEGO DO KLASYFIKACJI CHOROBY PARKINSONA I OCENY JEJ NASILENIA , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 4 (2023)
- Achraf Benba, Mouna Akki, Sara Sandabad, ZASTOSOWANIE UCZENIA MASZYNOWEGO NA CZUJNIKACH SMARTFONÓW DO WYKRYWANIA UPADKÓW W CZASIE RZECZYWISTYM , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 2 (2023)