IТ-диагностика болезни Паркинсона на основе анализа голосовых маркеров и машинного обучения

Аннотация

Представлены результаты исследования параметров спектров речевых сигналов с помощью машинного обучения с применением нейронных сетей, проведенного в целях экспериментального подтверждения возможности выполнения оценки этих параметров для выявления болезни Паркинсона на ранних стадиях (IТ-диагностика). В ходе исследования использовали общедоступную базу данных, в которой систематизированы спектры гласных звуков, произнесенных пациентами с болезнью Паркинсона. Примененный метод – бинарная классификация данных. Сначала выполняли предварительную обработку спектра речевых данных, состоявшую в его фильтрации, для удаления из него шумов и устранения присутствующих в нем всплесков и пробелов. Затем определяли параметры обработанного спектра речевых данных: среднее значение, максимум, минимум, пик, вейвлет-коэффициенты, MFCC и TQWT. После этого выбирали объект с помощью алгоритма PCA. Для обучения модели использовали алгоритмы Knn и Random Forest и нейронной сети Байеса. Для нахождения наилучших гиперпараметров модели применяли алгоритм оптимизации Байеса и метод GridSearch. Установлено, что при использовании Knn, Random Forest и нейронной сети Байеса можно обеспечить увеличение точности распознавания болезни Паркинсона на 94,7; 88,16 и 74,74 % соответственно. Аналогичное исследование, проведенное другими учеными, показало, что точность распознавания наборов данных составила всего 86 %.