نبذة مختصرة : The objectives of the article to propose the method for complex recognition of Parkinson's disease using machine learning, based on markers of voice analysis and changes in patient movements on known data sets. The time-frequency function, (the wavelet function) and the Meyer kepstral coefficient function are used. The KNN algorithm and the algorithm of a two-layer neural network were used for training and testing on publicly available datasets on speech changes and motion retardation in Parkinson's disease. A Bayesian optimizer was also used to improve the hyperparameters of the KNN algorithm. The constructed models achieved an accuracy of 94.7 % and 96.2 % on a data set on speech changes in patients with Parkinson's disease and a data set on slowing down the movement of patients, respectively. The recognition results are close to the world level. The proposed technique is intended for use in the subsystem of IT diagnostics of nervous diseases. ; Цели статьи ‒ предложить метод комплексного распознавания болезни Паркинсона с использованием машинного обучения, основанный на анализе маркеров голоса и изменений в движениях пациента на известных наборах данных. Используются частотно-временная функция (вейвлет-функция) и функция коэффициента Мейера Кепстраля. Алгоритм KNN и алгоритм двухслойной нейронной сети были использованы для обучения и тестирования на общедоступных наборах данных об изменениях речи и замедлении движений при болезни Паркинсона. Байесовский оптимизатор также использовался для улучшения гиперпараметров алгоритма KNN. Построенные модели достигли точности 94,7 % и 96,2 % для набора данных об изменениях речи у пациентов с болезнью Паркинсона и набора данных о замедлении передвижения пациентов, соответственно. Результаты распознавания близки к мировому уровню. Предлагаемая методика предназначена для использования в подсистеме ИТ-диагностики нервных заболеваний.
Relation: https://sapi.bntu.by/jour/article/view/645/483; Davie, C.A. A review of Parkinson’s disease. Br. Med. Bull., Feb. 2008, vol. 86, no. 1, pp. 109-127. doi:10.1093/bmb/ldn013; Braak, H., Ghebremedhin, E. Rüb U. Stages in the development of Parkinson’s disease-related pathology. Cell Tissue Res., Oct. 2004, vol. 318, no. 1, pp. 121-134. doi:10.1007/s00441-004-0956-9; Upadhya, S.S., Cheeran A.N. Discriminating Parkinson and Healthy People Using Phonation and Cepstral Features of Speech. Procedia Comput. Sci., Jan. 2018, vol. 143, pp. 197-202. doi:10.1016/j.procs.2018.10.376; Xu, Z. [et al.] Voiceprint recognition of Parkinson patients based on deep learning. arXiv, Dec., 2018, pp. 1-10. doi:10.48550/arXiv.1812.06613; Arshad, H. [et. al.] Multi-level features fusion and selection for human gait recognition: an optimized framework of Bayesian model and binomial distribution. Int. J. Mach. Learn. and Cybern., Dec., 2018, vol. 10, no. 12, pp. 3601-3618. doi:10.1007/s13042-019-00947-0; Maachi I.E., Bilodeau G.-A., Bouachir W. Deep 1D-Convnet for accurate Parkinson disease detection and severity prediction from gait. Expert Syst. Appl., May 2020, vol. 143, pp. 1-27. doi:10.1016/j.eswa.2019.113075; Moro-Velazquez, L. [et. al.] Advances in Parkinson’s Disease detection and assessment using voice and speech: A review of the articulatory and phonatory aspects. Biomed. Signal Process. Control, Apr. 2021, vol. 66, pp. 1-13. doi:10.1016/j.bspc.2021.102418; Nguyen, D.M. [et. al.] Transformers for 1D Signals in Parkinson’s Disease Detection from Gait. arXiv, Apr., 2022, pp. 1-7. doi:10.48550/arXiv.2204.00423; Zhang, M.-L., Zhou Z.-H. ML-KNN: A lazy learning approach to multi-label learning, Pattern Recognit., 2007, vol. 40, no. 7, pp. 1-21.; Arshad, H. [et. al.] Multi-level features fusion and selection for human gait recognition: an optimized framework of Bayesian model and binomial distribution. Int. J. Mach. Learn. & Cyber, 2019, vol. 10 (12), pp. 3601-3618.; Sakar C.O. [et al.] A comparative analysis of speech signal processing algorithms for Parkinson’s disease classification and the use of the tunable Q-factor wavelet transform. Appl. Soft Comput., Jan. 2019, vol. 74, pp. 255-263. doi:10.1016/j.asoc.2018.10.022; Fawcett, T. An introduction to ROC analysis. Pattern Recognit. Lett. 2006, vol. 27, no. 8, pp. 861-874.; Sakar B.E., [et al.] Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings. IEEE J Biomed Health Inform, 2013, vol. 17(4), pp. 828-834.; 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.; https://sapi.bntu.by/jour/article/view/645
Rights: Authors who publish with this journal agree to the following terms:Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access). ; Авторы, публикующие в данном журнале, соглашаются со следующим:Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.Авторы сохраняют право заключать отдельные контрактные договорённости, касающиеся не-эксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге), со ссылкой на ее оригинальную публикацию в этом журнале.Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
Processing Request
No Comments.