Speech and tremor tester - monitoring of neurodegenerative diseases using smartphone technology

• Autorzy: Chronowski Maurycy , Kłaczyński Maciej , Dec-Ćwiek Małgorzata , Porębska Karolina , Sawczyńska Katarzyna

Identyfikatory

DOI

10.29354/diag/122335

Warianty tytułu

PL

Tester mowy i drżenia - monitorowanie przebiegu chorób neurodegeneracyjnych z wykorzystaniem smartfona

• Języki publikacji: EN

Abstrakty

EN

One of the most frequently diagnosed neurodegenerative disorders, along with Alzheimer’s disease, is Parkinson’s disease. It is a slowly progressing disease of the central nervous system that affects parts of the brain which are responsible for one’s motor functions. Despite the frequency of its occurrence among the elderly population, there has not yet been established a universal approach towards its certain diagnostics ante mortem. The study presents a pilot experiment regarding the assessment of the usefulness of simultaneous processing and analysis of speech signal and hand tremor accelerations for patient’s screening and monitoring of the progress in healing, using the data acquired with a mid-range Android smartphone. During the study, a mobile device of this kind was used to record the patients of the Department of Neurology, University Hospital of the Jagiellonian University in Kraków and a control group of healthy persons over the age of 50. The samples were then analysed and an attempt towards classification was made using statistical methods and machine learning techniques (PCA, SVM, LDA). It was shown that even for a limited population, the classifier reaches about 85% accuracy. Another topic discussed in the study is the possibility of implementing a fully automated mobile system for the monitoring of the disease’s progression. Propositions of further research were also drawn.

PL

Jednym z najczęściej diagnozowanych zaburzeń neurodegeneracyjnych, obok choroby Alzheimera, jest choroba Parkinsona. To wolno postępująca choroba zwyrodnieniowa ośrodkowego układu nerwowego, która zajmuje obszary mózgu odpowiedzialne za motorykę. Pomimo powszechności choroby wśród osób starszych, do tej pory nie została opisana uniwersalna metoda jej pewnego zdiagnozowania. Praca przedstawia pilotażowe badanie dotyczące określenia przydatności i możliwości wykorzystania metod jednoczesnego przetwarzania i analizy sygnału mowy oraz sygnału przyspieszenia drgań kończyny górnej w kontekście badań przesiewowych lub obiektywnego monitorowania postępu leczenia chorób neurodegeneracyjnych, z wykorzystaniem danych pozyskanych za pomocą średniej klasy smartfonu z systemem Android. W ramach badania wykonano za pomocą urządzenia mobilnego nagrania pacjentów Oddziału Neurologii Szpitala Uniwersyteckiego w Krakowie ze zdiagnozowaną chorobą Parkinsona oraz osób zdrowych powyżej 50 roku życia. Próbki poddano analizie i wstępnej klasyfikacji z wykorzystaniem metod statystycznych oraz technik uczenia maszynowego (PCA, SVM, LDA). Pokazano, że skuteczność klasyfikacji już dla niewielkiej populacji sięga około 85%. W pracy omówiono również możliwość implementacji w pełni automatycznego systemu mobilnego monitorowania przebiegu choroby, a także przedstawiono propozycję dalszych badań w tym kierunku.

Słowa kluczowe

EN

Parkinson’s disease; speech analysis; hand tremor; smartphone; diagnostics; machine learning

PL

choroba Parkinsona; analiza mowy; drżenie; smartfon; diagnostyka; uczenie maszynowe

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2020
• Tom: Vol. 21, No. 2
• Strony: 31--39
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Chronowski Maurycy

• AGH University of Science and Technology, Faculty of Mechanical Engineering and Robotics Adama Mickiewicza 30, 30-059 Kraków, Poland

autor

Kłaczyński Maciej

• AGH University of Science and Technology, Faculty of Mechanical Engineering and Robotics Adama Mickiewicza 30, 30-059 Kraków, Poland

autor

Dec-Ćwiek Małgorzata

• Department of Neurology, Jagiellonian University, Collegium Medicum Botaniczna 3, 31-503 Kraków, Poland

autor

Porębska Karolina

• Department of Neurology, Jagiellonian University, Collegium Medicum Botaniczna 3, 31-503 Kraków, Poland

autor

Sawczyńska Katarzyna

• Department of Neurology, Jagiellonian University, Collegium Medicum Botaniczna 3, 31-503 Kraków, Poland

Bibliografia

• 1. Ali L, Zhu C, Zhou M, Liu Y. Early diagnosis of Parkinson’s disease from multiple voice recordings by simultaneous sample and feature selection. Expert Systems with Applications. 2019;137:22-8. https://doi.org/0.1016/j.eswa.2019.06.052
• 2. Almeida JS, Rebouças Filho PP, Carneiro T, Wei W, Damaševičius R, Maskeliūnas R, et al. Detecting Parkinson’s disease with sustained phonation and speech signals using machine learning techniques. Pattern Recognition Letters. 2019;125:55-62. https://doi.org/10.1016/j.patrec.2019.04.005
• 3. Benba A, Jilbab A, Hammouch A. Voice assessments for detecting patients with Parkinson’s diseases using PCA and NPCA. Int J Speech Technol. 2016;19(4):743–54. https://doi.org/10.1007/s10772- 016-9367-z
• 4. Bhattacharjee M, Bandyopadhyay D. Flexible Paper Touchpad for Parkinson’s Hand Tremor Detection. Sensors and Actuators A: Physical, 2019. 294:164-72. https://doi.org/10.1016/j.sna.2019.05.006
• 5. Capecci M, Pepa L, Verdini F, Ceravolo M. A smartphone-based architecture to detect and quantify freezing of gait in Parkinson’s disease. Gait & Posture, 2016.50. https://doi.org/10.1016/j.gaitpost.2016.08.018
• 6. Gillivan-Murphy P, Miller N, Carding P. Voice Tremor in Parkinson’s Disease: An Acoustic Study. J Voice. 2019, Jul;33(4):526-35. https://doi.org/10.1016/j.jvoice.2017.12.010
• 7. Gottsmann F, Harwardt C. Investigating Robustness of Spectral Moments on Normal- and High-Effort Speech. Interspeech, 2011.
• 8. Han Z, Tian R, Ren P, Zhou W, Wang P, Luo M, et al. Parkinson’s disease and Alzheimer’s disease: a Mendelian randomization study. BMC Med Genet, 2018,19. https://doi.org/10.1186/s12881-018-0721-7
• 9. Kłaczyński M. Vibroacoustic methods in diagnosis of selected laryngeal diseases, Journal of Vibroengineering. 2015; 17(4):2089-2098.
• 10. Kłaczyński M., Wszolek T., Artificial Intelligence and Learning Systems Methods in Supporting LongTerm Acoustic Climate Monitoring, Acta Physica Polonica A, 2013; 123(6):1024-1028.
• 11. Konior M, Kłaczyński M, Wszołek W. Reduction of speech signal deformation in patients after nasal septum surgery (septolplasty). Acta Physica Polonica A, vol. 119, issue 6A:1000-1004, 2011.
• 12. Marshall VL, Reininger CB, Marquardt M, Patterson J, Hadley DM, Oertel WH, et al. Parkinson’s disease is overdiagnosed clinically at baseline in diagnostically uncertain cases: a 3-year European multicenter study with repeat [123I] FP-CIT SPECT. Mov Disord. 2009;24(4):500-8. https://doi.org/10.1002/mds.22108
• 13. Martinez-Martin P, Skorvanek M, Rojo-Abuin JM, Gregova Z, Stebbins GT, Goetz CG. Validation study of the hoehn and yahr scale included in the MDSUPDRS. Movement Disorders. 2018; 33(4):651-2. https://doi.org/10.1002/mds.27242
• 14. Paliwal KK, Lyons JG, Wójcicki KK. Preference for 20-40 ms window duration in speech analysis. 4th International Conference on Signal Processing and Communication Systems, 2010:1-4. https://doi.org/10.1109/ICSPCS.2010.5709770
• 15. Printy BP, Renken LM, Herrmann JP, Lee I, Johnson B, Knight E, et al. Smartphone application for classification of motor impairment severity in Parkinson’s disease. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2014: 2686-2689. https://doi.org/10.1109/EMBC.2014.6944176
• 16. Reich SG. Does This Patient Have Parkinson Disease or Essential Tremor? Clinics in Geriatric Medicine, 2020,;36(1):25-34. https://doi.org/10.1016/j.cger.2019.09.015
• 17. Shahbakhti M, Taherifar D, Zareei Z. Combination of PCA and SVM for diagnosis of Parkinson’s disease. 2nd International Conference on Advances in Biomedical Engineering. 2013: 137-40. https://doi.org/10.1109/ICABME.2013.6648866
• 18. StatCounter, website: https://gs.statcounter.com/osmarket-share/mobile/worldwide (visited: 2020-04-29)
• 19. Statista, website: https://www.statista.com/statistics/330695/numberof-smartphone-users-worldwide/ (visited:2020-04-29)
• 20. TechRadar, website: https://www.techradar.com/news/phone-andcommunications/mobile-phones/background-noisereduction-one-of-your-smartphone-s-greatest-tools-1229667 (visited: 2020-04-29)
• 21. UN Report, World Population Ageing, 2019.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).