نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 خواجه‌نصیرالدین‌طوسی

2 دانشجوی کارشناسی ارشد مهندسی پزشکی بیوالکتریک، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

10.22041/ijbme.2020.116028.1530

چکیده

بیماری پارکینسون، به عنوان رایج ترین بیماری مخرب سیستم عصبی، بعد از آلزایمر شناخته می شود. از عوارض شایع این بیماری، به وجود آمدن اختلالات گفتاری می باشد. با توجه به این که تولید گفتار در انسان شامل تولید صوت در اثر ارتعاش تارهای صوتی (بخش آوایی) و سپس عبور آن از فیلتر لوله صوتی (بخش تلفظی) است، انتظار می‌رود هر کدام از این دو بخش دچار اختلال شوند. در این تحقیق با استفاده از یک روش غیرتهاجمی و با استفاده از سیگنال گفتار فرد، به تشخیص بیماری پارکینسون پرداخته شده است؛ بدین منظور از گویش 3 واکه کشیده زبان فارسی توسط 48 نفر (27 نفر مبتلا به بیماری پارکینسون و 21 نفر سالم) استفاده شده است تا میزان تخریب دو بخش تلفظی و آوایی ارزیابی شوند. از ویژگی‌های مرتبط با بخش آوایی تولید گفتار می‌توان جیتر، شیمر، فرکانس گام و طول زمانی باز و بسته شدن پالس‌های چاکنایی را نام برد و برای بخش تلفظی گفتار نیز می‌توان ویژگی‌های فرمنت‌های اول، دوم و سوم، نرخ عبور از صفر، MFCC و LPC را مطرح نمود. در این تحقیق، در مجموع 38 دسته ویژگی استخراج شد و چهار پارامتر آماری میانگین، انحراف معیار، ضریب چولگی و ضریب کشیدگی از روی آن‌ها محاسبه گردید. در ادامه از الگوریتم ژنتیک برای شناسایی ویژگی‌های بهینه استفاده شد و با به کارگیری طبقه بندهای SVM، KNN و درخت تصمیم گیر، شناسایی بیماری پارکینسون صورت گرفت. به عنوان شاخصه اصلی این پژوهش، نتایج مربوط به دو بخش آوایی و تلفظی به مقایسه و چالش کشیده شدند. نتایج حاصل از این مطالعه نشان داد که ویژگی‌های آوایی با صحت 1.2 ± 96.1 درصد، نسبت به ویژگی‌های تلفظی در تشخیص بیماری پارکینسون، نقش مفیدتری دارند. همچنین واکه /او/ با میزان صحت 97.6 درصد، بهترین عملکرد را در تشخیص بیماری پارکینسون نسبت به سایر واکه‌ها دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigating the Phonatory and Articulatory Features in Diagnosis of Parkinson's Disease Using Optimized Extracted Features by Genetic Algorithm

نویسندگان [English]

  • mansour vali 1
  • Mohammad Bahador Najafi 2

1 KNTU university

2 M.Sc Student, Department of Biomedical Engineering, K. N. Toosi University of Technology, Tehran, Iran

چکیده [English]

After Alzheimer, Parkinson's disease is known as the most common malignant disease of the nervous system. One of the common obstacles of this disease is the expansion of speech disorders. Since the speech production in humans is made by combination of vibration of the vocal cords (phonatory section) and then passage through the resonanator in vocal tract (articulatory section), it is expected that both of these sections to be impaired. In this study, by using a noninvasive method, it is intended to diagnose Parkinson's disease from speech signal of each subject; for this purpose, using 3 sustain vowels in Persian language recorded from 48 people (27 people with Parkinson's disease and 21 healthy people), it has been evaluated to assess the extent of damage to both phonatory and articulatory sections. The phonatory model can include features such as jitter, shimmer, fundamental frequencies, opening and closing cycling time of the glottal pulses. On the other hand, for the articulatory section, features such as first, second, and third formmants, zero crossing rates, MFFCs, and LPC are investigated. In this study, 38 feature categories were extracted and four statistical parameters of mean, standard deviation, skewness and kurtosis were calculated. Genetic Algorithm was used to identify the optimum features. Then, using the SVM, KNN and the Decision Tree classifiers, the optimum extracted features are classified to determine whether a person is patient or healthy. Finally for the main aim of this study, the results of both phonatory and articulatory sections were compared and challenged. The results of this study showed that phonatory features with accuracy of 96.1 ± 1.2% were more useful than articulatory section in diagnosing of Parkinson. Also it was proved that vowel /u/ has more significant role in the diagnosis of Parkinson's disease compared to other vowels by accuracy of 97.6%.

کلیدواژه‌ها [English]

  • Parkinson's Disease
  • Phonatory Features
  • Articulatory Features
  • Genetic Algoritm