عنوان مقاله :
انتخاب و مقايسه عملكرد ويژگي‌هاي بهينه استخراج‌شده از سيگنال گفتار براي تشخيص خودكار بيماري پاركينسون
عنوان فرعي :
Optimal Feature Selection and Comparison for Automatic Detection of Parkinsonייs Disease Using Speech Signal
پديد آورندگان :
خليل‌زاده محمدعلي نويسنده گروه مهندسي پزشكي، واحد مشهد ، دانشگاه آزاد اسلامي، مشهد Khalil Zade Mohammad Ali , اكبرزاده توتونچي محمدرضا نويسنده گروه مهندسي پزشكي، دانشكده مهندسي،دانشگاه فردوسي مشهد، مشهد Akbarzade-T Mohammad Reza , كبروي حميدرضا نويسنده گروه مهندسي پزشكي، واحد مشهد ، دانشگاه آزاد اسلامي، مشهد Kobravi Hamid Reza , رضايي طلب فريبرز نويسنده گروه عصب شناسي، دانشكده علوم پزشكي، دانشگاه فردوسي مشهد، مشهد Rezaeitalab Fariborz , ضيافتي باقرزاده سيد امير نويسنده گروه مهندسي پزشكي، واحد مشهد ، دانشگاه آزاد اسلامي، مشهد Ziafati Bagherzade Seyed Amir , نوعي سرچشمه عليرضا نويسنده گروه مهندسي پزشكي، دانشكده مهندسي،دانشگاه فردوسي مشهد، مشهد Noei Sarcheshme Alireza , شاهسون‌پور نينا نويسنده گروه مهندسي پزشكي، واحد مشهد ، دانشگاه آزاد اسلامي، مشهد Shahsavanpour Nina
سازمان :
گروه مهندسي پزشكي، دانشكده مهندسي،دانشگاه فردوسي مشهد، مشهد
كليدواژه :
Parkinsonיs disease , RELIEFfeature selection , Speech signal processing , روش انتخاب ويژگي تسكين , سيگنال گفتار , طبقه‌بندي كننده ماشين بردار پشتيبان , بيماري پاركينسون , Support vector machine
چكيده فارسي :
در سال‌هاي اخير، محققين تلاش‌هاي زيادي براي تشخيص بيماري پاركينسون از طريق يافتن ارتباط آن با سيگنال گفتار افراد انجام داده‌اند. همچنين پژوهش‌هايي در تعيين شدت بيماري و ارتباط آن با اختلالات صوتي انجام شده است. هدف اين مقاله، ارزيابي و مقايسه توانايي دسته ويژگي‌هاي مختلف استخراجي از سيگنال گفتار، در تشخيص بيماري پاركينسون است. براي اين منظور، 12 دسته ويژگي از سيگنال گفتار ارزيابي شده‌‌اند، تحليل صدا روي قسمت آواسازي افراد انجام شده و واج /آ/ توسط افراد بيان شده است. با انتخاب بهترين ويژگي‌ها از هر دسته، كه شامل 132 ويژگي است، به روش تسكين و اعمال آن به طبقه‌بندي كننده ماشين بردار پشتيبان، مقايسه‌اي بين دسته ويژگي‌هاي مختلف انجام شد. همچنين با تركيب ويژگي‌هاي منتخب از هر دسته، صحت تفكيك بسيار خوب 95.93 درصد، در جداسازي گروه سالم از بيمار به‌دست آمد. نتايج حاصل از اين پژوهش، مي‌تواند گامي بسيار مهم در تشخيص غيرتهاجمي بيماري پاركينسون باشد.
چكيده لاتين :
In recent years, researchers have tried hardly to diagnose Parkinsonʹs disease through finding its relation with the patientʹs 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 Parkinsonʹs 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 Parkinsonʹs disease non-invasively.
عنوان نشريه :
مهندسي پزشكي زيستي
عنوان نشريه :
مهندسي پزشكي زيستي
