Parametric analysis of pilot voice signals in Parkinson’s disease diagnostics

• Autorzy: Majda-Zdancewicz Ewelina , Potulska-Chromik Anna , Nojszewska Monika , Kostera-Pruszczyk Anna

Identyfikatory

DOI

10.24136/jaeee.2022.003

Warianty tytułu

PL

Analiza parametryczna pilotażowych sygnałów głosu w diagnostyce choroby Parkinsona

• Języki publikacji: EN

Abstrakty

EN

Parkinson's disease (PD) is a neurodegenerative disease of the central nervous system (CNS) characterized by the progressive loss of dopaminergic neurons in the substantia nigra. The article describes an analysis of pilot voice signal analysis in Parkinson's disease diagnostics. Frequency domain signal analysis was mainly used to assess the state of a patient's voice apparatus in order to support PD diagnostics. The recordings covered uttering the “a” sound at least twice with extended phonation. The research utilized real recordings acquired in the Department of Neurology at the Medical University of Warsaw, Poland. Spectral speech signal coefficients may be determined based on different defined frequency scales. The authors used four frequency scales: linear, Mel, Bark and ERB . Spectral descriptors have been defined for each scales which are widely used in machine and deep learning applications, and perceptual analysis. The usefulness of extracted features was assessed taking into account various methods. The discriminatory ability of individual coefficients was evaluated using the Fisher coefficient and LDA technique.. The results of numerical experiments have shown different efficiencies of the proposed descriptors using different frequencies scales.

PL

Choroba Parkinsona (PD) jest neurodegeneracyjną chorobą ośrodkowego układu nerwowego charakteryzującą się postępującą utratą neuronów dopaminergicznych w istocie czarnej. W artykule opisano analizę rejestracji pilotażowych sygnałów głosu w diagnostyce choroby Parkinsona. Rejestracji podlegało co najmniej dwukrotnie wypowiadanie głoski "a” o przedłużonej fonacji. Do badań wykorzystano nagrania zarejestrowane w Katedrze i Klinice Neurologii Warszawskiego Uniwersytetu Medycznego w Warszawie. Do oceny stanu aparatu głosu pacjenta celem wsparcia diagnostyki choroby Parkinsona wykorzystano w głównej mierze analizę sygnału w dziedzinie częstotliwości. Autorzy zastosowali cztery skale częstości: liniową, skalę typu Mel, skalę typu Bark oraz skalę typu ERB. Dla każdej z tych skali zdefiniowali deskryptory spektralne szeroko stosowane w aplikacjach uczenia maszynowego i głębokiego uczenia się oraz w analizie percepcyjnej. Ocena przydatności wyekstrahowanych cech została zrealizowana z uwzględnieniem różnych metod. Wykorzystano metodą oceny jakości cech przy użyciu współczynnika istotności Fischera oraz analizę LDA. Wyniki eksperymentów numerycznych wykazały różne wydajności proponowanych deskryptorów przy użyciu różnych skal częstości.

Słowa kluczowe

EN

features extraction; speech signal analysis; Parkinson's disease

PL

analiza sygnału mowy; choroba Parkinsona; ekstrakcja cech

• Wydawca: Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu
• Czasopismo: Journal of Automation, Electronics and Electrical Engineering
• Rocznik: 2022
• Tom: Vol. 4, No. 1
• Strony: 21--28
• Opis fizyczny: Bibliogr. 16 poz., rys., wykr.

Twórcy

autor

Majda-Zdancewicz Ewelina

• Military University of Technology, Faculty of Electronics, Kaliskiego 2, 00-908 WarsawPoland

autor

Potulska-Chromik Anna

• Medical University of Warsaw, Company,Department of Neurology, Warsaw, Poland

autor

Nojszewska Monika

• Medical University of Warsaw, Company,Department of Neurology, Warsaw, Poland

autor

Kostera-Pruszczyk Anna

• Medical University of Warsaw, Company,Department of Neurology, Warsaw, Poland

Bibliografia

• [1] Pawlukowska W., Honczarenko K., Gołąb-Janowska M (2013)., „Charakter zaburzeń mowy w chorobie Parkinsona”, Neurologia i Neurochirurgia Polska, vol. 47, nr 3, pp. 263-269.
• [2] AJ. Hughes, SE Daniel, L, Kilford, AJ. Lees (1992), “Accuracy of clinical diagnosis of idiopathic Parkinson’s disease: a clinico pathological study of 100 cases” J Neurol Neurosurg Psychiatry, 55 (3),, spp181-184.
• [3] Parkinson J., An Essay on the Shaking Palsy. 1817 (2002), “The Journal of Neuropsychiatry”, vol. 4, issue 2, pp. 223-236.
• [4] Braak H, Del Tredici K, Rüb U et al. (2003), “Staging of brain pathology related to sporadic Parkinson’s disease”. Neurobiol Aging, 24, pp.197-211
• [5] Movement Disorders Society- Updated Unified Parkinson's Disease Rating Scale, MDS-UPDRS (Goetz et al., 2007, 2008a; Martinez–Martin et al., 2013)
• [6] J. Chmielińska, K. Białek, A. Potulska-Chromik, J. Jakubowski, E. Majda-Zdancewicz, M. Nojszewska, A. Kostera-Pruszczyk and A. Dobrowolski (2019), "Multimodal data acquisition set for objective assessment of Parkinson’s disease", Proc. SPIE 11442, Radioelectronic Systems Conference, 114420F, (2020).
• [7] https://www.mathworks.com/help/audio/ug/spectraldescriptors.html
• [8] Peeters G (2004)., “A large set of audio features for sound description (similarity and classification) in the CUIDADO project”, Paris,
• [9] Misra H, et al, (2014) ”Spectral Entropy Based Feature for Robust ASR”, June
• [10] AlíasF., Socoró J. C., Sevillano X.(2016),“A Review of Physical and Perceptual Feature Extraction Techniques for Speech”, Music and Environmental Sounds, Appl. Sci., 6(5), 143;
• [11] Valero X., Alias F. (2012), “Gammatone Cepstral Coefficients: Biologically InspiredFeatures for Non-Speech Audio Classification, “IEEE transactions on multimedia”, vol. 14, no. 6,
• [12] Francesc Alías, Joan Claudi Socoró, Xavier Sevillano (2016),” A Review of Physical and Perceptual Feature Extraction Techniques for Speech, Music and Environmental Sounds”, Appl. Sci., 6(5), 143
• [13] Nikhil G.V., Keerthi A.M., and Premananda B.S. (2017),” Impact of ERB and Bark scales on Perceptual Distortion based Near-end Speech Enhancement”, Department of Telecommunication Engineering,
• [14] L. Jeancolas et al.,(2017) "Automatic detection of early stages of Parkinson's disease through acoustic voice analysis with mel frequency cepstral coefficients," 2017 International Conference on Advanced Technologies for Signal and Image Processing (ATSIP),
• [15] F. Gil and S. Osowski(2021), “Feature selection methods in gene recognition problem”, BULLETIN OF THE POLISH ACADEMY OF SCIENCES TECHNICAL SCIENCES, Vol. 69(3),
• [16]  I. Guyon and A. Elisseeff (2003)“An introduction to variable and feature selection”, J. Mach. Learn. Res. 3, 1158–1182

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).