Desarrollo de un algoritmo basado en el análisis en tiempo-frecuencia del habla para la contribución al diagnóstico temprano de la enfermedad de Parkinson

Abstract

La enfermedad de Parkinson es una de las principales enfermedades neurodegenerativas a nivel mundial. Sus principales síntomas incluyen temblores involuntarios (incluso en reposo), movimientos más lentos, rigidez o alteraciones en la postura. Actualmente, en Ecuador no existe un registro nacional de personas que sufren de Parkinson y los métodos actuales de diagnóstico de Parkinson tienen costos realmente elevados. Este trabajo pretende crear un algoritmo que permita la detección de Parkinson mediante un análisis de archivos de audio. Para ello se consideraron como objetivos el realizar un análisis de la base de datos de grabaciones de audio brindada por el proyecto Parkinson’s Voice Initiative, extraer patrones relevantes que permitan la clasificación automática de personas con una afectación en el habla causada por esta enfermedad; y evaluar estadísticamente la eficiencia del sistema. El desarrollo del algoritmo inició con la selección de varios audios del fonema /a/ perteneciente a la base de audios previamente mencionada, a los que se les aplicó un proceso de pre-procesamiento. Posteriormente, se extrajeron los primeros 13 coeficientes cepstrales en las frecuencias de Mel (MFCC). Se tomaron los valores medios y la desviación estándar asociada a estos valores para cada uno de los audios seleccionados. Seguidamente, se utilizó un método de selección PCA para la reducción de componentes y se consideraron procesos de escalamiento y sobremuestreo previos a la clasificación para mejores resultados. El proceso de diagnóstico culminó con la aplicación de un clasificador SVM. Finalmente, se registraron los resultados obtenidos para la evaluación estadística de la eficiencia del sistema. Como resultado de los procesos expuestos, el algoritmo desarrollado tuvo como mejor resultado una tasa de acierto del 95,4% haciendo uso de un Clasificador SVM-RBF con un tamaño del subconjunto de testeo del 30% de los 161 audios seleccionados cumpliendo con éxito con el propósito de esta investigación.

Palabras Clave: Diagnóstico de Parkinson, Señales de Audio, MFCC, PCA, ROS, SVM.