Распознавание признаков болезни Паркинсона на основе анализа голосовых маркеров и двигательной активности

Цели. Решается задача ИТ-диагностики признаков болезни Паркинсона по анализу изменения голоса и замедления движения пациентов. Актуальность задачи связана с необходимостью ранней диагностики заболевания. Предлагается метод комплексного распознавания болезни Паркинсона с использованием машинного обучения, основанный на анализе голосовых маркеров и изменений в движениях пациентов на известных наборах данных.

Методы. Используются частотно-временная функция (функция вейвлета), функция кепстрального коэффициента Мейера, алгоритм k-ближайших соседей (k-Nearest Neighbors, KNN), алгоритм двухслойной нейронной сети для обучения и тестирования на общедоступных наборах данных по изменению речи и замедлению движения при болезни Паркинсона, а также байесовский оптимизатор для улучшения гиперпараметров алгоритма KNN.

Результаты. Алгоритм KNN использован для распознавания речи пациентов, точность теста 94,7 % достигнута при диагностике болезни Паркинсона по изменению голоса. Алгоритм байесовской нейронной сети применен для распознавания замедления движения пациентов, он дал точность теста 96,2 %.

Заключение. Полученные результаты распознавания признаков болезни Паркинсона близки к мировому уровню. На том же наборе данных по изменению речи пациентов один из лучших показателей зарубежных исследований составляет 95,8 %, а на наборе данных по замедлению движения пациентов - 98,8 %. Предлагаемая авторская методика предназначена для использования в подсистеме ИТ-диагностики неврологических заболеваний умного города.

1. Davie C. A. A review of Parkinson's disease. British Medical Bulletin, Feb. 2008, vol. 86, no. 1, pp. 109-127. https://doi.org/10.1093/bmb/ldn013

2. Braak H., Ghebremedhin E., Rub U., Bratzke H., Tredici K. D. Stages in the development of Parkinson's disease-related pathology. Cell and Tissue Research, October 2004, vol. 318, no. 1, pp. 121-134. https://doi.org/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 Computer Science, January 2018, vol. 143, pp. 197-202. https://doi.org/10.1016/j.procs.2018.10.376

4. Voiceprint recognition of Parkinson Patients Based on Deep Learning [Electronic resource] / Z. Xu [et al.]. - Dec. 2018. - Р. 1-10. - Mode of access: https://arxiv.org/ftp/arxiv/papers/1812/1812.06613.pdf. - Date of access: 12.11.2022.

5. Transformers for 1D Signals in Parkinson's Disease Detection from Gait [Electronic resource] / D. M. D. Nguyen [et al.]. - Apr. 2022. - Р. 1-7. - Mode of access: https://arxiv.org/pdf/2204.00423.pdf. - Date of access: 12.11.2022.

6. Arshad H., Khan M. A., Sharif M., Yasmin M., Javed M. Y. Multi-level features fusion and selection for human gait recognition: an optimized framework of Bayesian model and binomial distribution. International Journal of Machine Learning and Cybernetics, December 2018, vol. 10, no. 12, pp. 3601-3618. https://doi.org/10.1007/s13042-019-00947-0

7. Maachi I. E., Bilodeau G.-A., Bouachir W. Deep 1D-Convnet for accurate Parkinson disease detection and severity prediction from gait. Expert Systems with Applications, May 2020, vol. 143, pp. 1-27. https://doi.org/10.1016/j.eswa.2019.113075

8. Moro-Velazquez L., Gomez-Garcia J. A., Arias-Londoño J. D., Dehak N., Godino-Llorente J. I. Advances in Parkinson's Disease detection and assessment using voice and speech: A review of the articulatory and phonatory aspects. Biomedical Signal Processing and Control, April 2021, vol. 66, pp. 1-13. https://doi.org/10.1016/j.bspc.2021.102418

9. Zhang M.-L., Zhou Z.-H. ML-KNN: A lazy learning approach to multi-label learning. Pattern Recognition, 2007, vol. 40, no. 7, pp. 1-21.

10. Sakar C. O., Serbes G., Gunduz A., Tunc H. C., Nizam H., ..., Apaydin H. A comparative analysis of speech signal processing algorithms for Parkinson's disease classification and the use of the tunable Q-factor wavelet transform. Applied Soft Computing, January 2019, vol. 74, pp. 255-263. https://doi.org/10.1016/j.asoc.2018.10.022

11. Sakar B. E., Isenkul M. E., Sakar C. O., A. Sertbas, Gurgen F., Kursun O. Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings. IEEE Journal of Biomedical and Health Informatics, 2013, vol. 17(4), pp. 828-834.

12. Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters, 2006, vol. 27, no. 8, pp. 861-874.

13. 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.