Распознавание признаков болезни Паркинсона на основе анализа голосовых маркеров и двигательной активности

Abstract

Решается задача ИТ-диагностики признаков болезни Паркинсона по анализу изменения голоса и замедления движения пациентов. Актуальность задачи связана с необходимостью ранней диагностики заболевания. Предлагается метод комплексного распознавания болезни Паркинсона с использованием машинного обучения, основанный на анализе голосовых маркеров и изменений в движениях пациентов на известных наборах данных. Методы. Используются частотно-временная функция (функция вейвлета), функция кепстрального коэффициента Мейера, алгоритм k-ближайших соседей (k-Nearest Neighbors, KNN), алгоритм двухслойной нейронной сети для обучения и тестирования на общедоступных наборах данных по изменению речи и замедлению движения при болезни Паркинсона, а также байесовский оптимизатор для улучшения ги- перпараметров алгоритма KNN. Результаты. Алгоритм KNN использован для распознавания речи пациентов, точность теста 94,7 % достигнута при диагностике болезни Паркинсона по изменению голоса. Алгоритм байесовской нейронной сети применен для распознавания замедления движения пациентов, он дал точность теста 96,2 %. Заключение. Полученные результаты распознавания признаков болезни Паркинсона близки к мировому уровню. На том же наборе данных по изменению речи пациентов один из лучших показателей зарубежных исследований составляет 95,8 %, а на наборе данных по замедлению движения пациентов – 98,8 %. Предлагаемая авторская методика предназначена для использования в подсистеме ИТ-диагностики неврологических заболеваний умного города.