@article { author = {Azadi, Hamid and Khalil Zade, Mohammad Ali and Akbarzade Toutounchi, Mohammad Reza and Kobravi, Hamid Reza and Rezaei Talab, Fariborz and Ziafati Bagherzade, Seyed Amir and Noei Sarcheshme, Alireza and Shahsavan Pour, Nina}, title = {Optimal Feature Selection and Comparison for Automatic Detection of Parkinson's Disease Using Speech Signal}, journal = {Iranian Journal of Biomedical Engineering}, volume = {10}, number = {1}, pages = {41-47}, year = {2016}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2017.55213.1174}, abstract = {In recent years, researchers have tried hardly to diagnose Parkinson's disease through finding its relation with the patient's speech signal. Also, many studies have been performed on determining the intensity of the disease and its relation with vocal impairment measures. In this paper, we aim to assess and compare the ability of extracting different feature sets from speech signal in order to Parkinson's disease diagnosis. Therefore, 132 features were used to measure vocal impairments from the voice signal of individuals vocalizing phoneme /a/. Then, we used RELIEF feature selection method and applied it to Support Vector Machine (SVM) classifier to choose the best feature of each class. A comparison was made between different feature sets, and finally discrimination percent 95.93 was reached to separate patients from the healthy ones using the combination of selected features. Results obtained from this research can be a very important step toward diagnosing Parkinson's disease non-invasively.  }, keywords = {Parkinson's disease,Speech signal processing,RELIEFfeature selection,Support Vector Machine}, title_fa = {انتخاب و مقایسة عملکرد ویژگی‌های بهینة استخراج‌شده از سیگنال گفتار برای تشخیص خودکار بیماری پارکینسون}, abstract_fa = {در سال‌های اخیر، محققین تلاش‌های زیادی برای تشخیص بیماری پارکینسون از طریق یافتن ارتباط آن با سیگنال گفتار افراد انجام داده‌اند. همچنین پژوهش‌هایی در تعیین شدت بیماری و ارتباط آن با اختلالات صوتی انجام شده است. هدف این مقاله، ارزیابی و مقایسة توانایی دسته‌ ویژگی‌های مختلف استخراجی‌ از سیگنال گفتار، در تشخیص بیماری پارکینسون است. برای این منظور، 12 دسته ویژگی از سیگنال گفتار ارزیابی شده‌‌اند، تحلیل صدا روی قسمت آواسازی افراد انجام شده و واج /آ/ توسط افراد بیان شده است. با انتخاب بهترین ویژگی‌ها از هر دسته، که شامل 132 ویژگی است، به روش تسکین و اعمال آن به طبقه‌بندی کنندة ماشین بردار پشتیبان، مقایسه‌ای بین دسته ویژگی‌های مختلف انجام شد. همچنین با ترکیب ویژگی‌های منتخب از هر دسته، صحت تفکیک بسیار خوب 95.93 درصد، در جداسازی گروه سالم از بیمار به‌دست آمد. نتایج حاصل از این پژوهش، می‌تواند گامی بسیار مهم در تشخیص غیرتهاجمی بیماری پارکینسون باشد.}, keywords_fa = {بیماری پارکینسون,سیگنال گفتار,روش انتخاب ویژگی تسکین,طبقه‌بندی کنندة ماشین بردار پشتیبان}, url = {https://www.ijbme.org/article_25771.html}, eprint = {https://www.ijbme.org/article_25771_f562ea0ed4fefe6a11863347be629292.pdf} }