ИТ-диагностика болезни Паркинсона на основе голосовых маркеров и снижения двигательной активности
https://doi.org/10.21122/2309-4923-2023-4-51-57
Аннотация
Цели статьи ‒ предложить метод комплексного распознавания болезни Паркинсона с использованием машинного обучения, основанный на анализе маркеров голоса и изменений в движениях пациента на известных наборах данных. Используются частотно-временная функция (вейвлет-функция) и функция коэффициента Мейера Кепстраля. Алгоритм KNN и алгоритм двухслойной нейронной сети были использованы для обучения и тестирования на общедоступных наборах данных об изменениях речи и замедлении движений при болезни Паркинсона. Байесовский оптимизатор также использовался для улучшения гиперпараметров алгоритма KNN. Построенные модели достигли точности 94,7 % и 96,2 % для набора данных об изменениях речи у пациентов с болезнью Паркинсона и набора данных о замедлении передвижения пациентов, соответственно. Результаты распознавания близки к мировому уровню. Предлагаемая методика предназначена для использования в подсистеме ИТ-диагностики нервных заболеваний.
Об авторах
В. И. Вишняков
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Вишняков Владимир Анатольевич, доктор технических наук, профессор, профессор кафедры инфокоммуникационных технологий
Минск
Ся Ивэй
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Ся Ивэй, магистр технических наук, аспирант кафедры ИКТ БГУИР
Минск
Список литературы
1. Davie, C.A. A review of Parkinson’s disease. Br. Med. Bull., Feb. 2008, vol. 86, no. 1, pp. 109-127. doi: 10.1093/bmb/ldn013
2. Braak, H., Ghebremedhin, E. Rüb U. Stages in the development of Parkinson’s disease-related pathology. Cell Tissue Res., Oct. 2004, vol. 318, no. 1, pp. 121-134. doi: 10.1007/s00441-004-0956-9
3. Upadhya, S.S., Cheeran A.N. Discriminating Parkinson and Healthy People Using Phonation and Cepstral Features of Speech. Procedia Comput. Sci., Jan. 2018, vol. 143, pp. 197-202. doi: 10.1016/j.procs.2018.10.376
4. Xu, Z. [et al.] Voiceprint recognition of Parkinson patients based on deep learning. arXiv, Dec., 2018, pp. 1-10. doi: 10.48550/arXiv.1812.06613
5. Arshad, H. [et. al.] Multi-level features fusion and selection for human gait recognition: an optimized framework of Bayesian model and binomial distribution. Int. J. Mach. Learn. and Cybern., Dec., 2018, vol. 10, no. 12, pp. 3601-3618. doi: 10.1007/s13042-019-00947-0
6. Maachi I.E., Bilodeau G.-A., Bouachir W. Deep 1D-Convnet for accurate Parkinson disease detection and severity prediction from gait. Expert Syst. Appl., May 2020, vol. 143, pp. 1-27. doi: 10.1016/j.eswa.2019.113075
7. Moro-Velazquez, L. [et. al.] Advances in Parkinson’s Disease detection and assessment using voice and speech: A review of the articulatory and phonatory aspects. Biomed. Signal Process. Control, Apr. 2021, vol. 66, pp. 1-13. doi: 10.1016/j.bspc.2021.102418
8. Nguyen, D.M. [et. al.] Transformers for 1D Signals in Parkinson’s Disease Detection from Gait. arXiv, Apr., 2022, pp. 1-7. doi: 10.48550/arXiv.2204.00423
9. Zhang, M.-L., Zhou Z.-H. ML-KNN: A lazy learning approach to multi-label learning, Pattern Recognit., 2007, vol. 40, no. 7, pp. 1-21.
10. Arshad, H. [et. al.] Multi-level features fusion and selection for human gait recognition: an optimized framework of Bayesian model and binomial distribution. Int. J. Mach. Learn. & Cyber, 2019, vol. 10 (12), pp. 3601-3618.
11. Sakar C.O. [et al.] A comparative analysis of speech signal processing algorithms for Parkinson’s disease classification and the use of the tunable Q-factor wavelet transform. Appl. Soft Comput., Jan. 2019, vol. 74, pp. 255-263. doi: 10.1016/j.asoc.2018.10.022
12. Fawcett, T. An introduction to ROC analysis. Pattern Recognit. Lett. 2006, vol. 27, no. 8, pp. 861-874.
13. Sakar B.E., [et al.] Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings. IEEE J Biomed Health Inform, 2013, vol. 17(4), pp. 828-834.
14. Li, B., Yao Z., Wang J., Wang S., Yang X., Sun Y. Improved Deep Learning Technique to Detect Freezing of Gait in Parkinson’s Disease Based on Wearable Sensors. Electronics, 2020, no 9 (11), pp. 1-12.
Рецензия
Для цитирования:
Вишняков В.И., Ивэй С. ИТ-диагностика болезни Паркинсона на основе голосовых маркеров и снижения двигательной активности. Системный анализ и прикладная информатика. 2023;(4):51-57. https://doi.org/10.21122/2309-4923-2023-4-51-57
For citation:
Vishniakou U.V., Yiwei X. IT diagnostics of Parkinson's disease based on voice markers and decreased motor activity. «System analysis and applied information science». 2023;(4):51-57. https://doi.org/10.21122/2309-4923-2023-4-51-57
Просмотров:
240
Послать статью по эл. почте 