بررسی نقش ویژگی های آوایی و تلفظی در تشخیص بیماری پارکینسون با استفاده از ویژگی های استخراج شده بهینه توسط الگوریتم ژنتیک

Abstract

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.