KLASYFIKACJA CHOROBY PARKINSONA I INNYCH ZABURZEŃ NEUROLOGICZNYCH Z WYKORZYSTANIEM EKSTRAKCJI CECH GŁOSOWYCH I TECHNIK REDUKCJI

Oumaima Majdoubi

oumaima_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

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 maszynowe

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


Opublikowane
2023-09-30

Cited By / Share

Majdoubi, O., Benba, A., & Hammouch, A. (2023). KLASYFIKACJA CHOROBY PARKINSONA I INNYCH ZABURZEŃ NEUROLOGICZNYCH Z WYKORZYSTANIEM EKSTRAKCJI CECH GŁOSOWYCH I TECHNIK REDUKCJI. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 13(3), 16–22. https://doi.org/10.35784/iapgos.3685

Autorzy

Oumaima Majdoubi 
oumaima_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 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

Autorzy

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

Statystyki

Abstract views: 231
PDF downloads: 195