使用Chirplet变换对语音信号进行时间频率分析,用于对帕金森病的自动诊断

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 帕金森病 (PD) 是一种流行的神经退行性疾病,由于症状逐渐出现,早期诊断具有挑战性.
• 语音变化正在成为PD早期检测的敏感生物标志物.
• 现有的诊断方法往往缺乏用于早期检测的敏感性.

研究的目的:

• 提出和验证一种基于Chirplet Transform (CT) 的新方法,用于使用语音信号早期诊断帕金森病 (PD).
• 提取和评估时间频率 (TFE) 特性,以改进PD分类.
• 将基于CT的TFE特征与传统的语音特征和各种机器学习分类器的有效性进行比较.

主要方法:

• 使用Chirplet转换 (CT) 分析语音信号以生成时间频率矩阵 (TFM).
• 时间频率 (TFE) 特性从TFM中提取用于PD检测.
• 使用遗传算法进行最佳特征选择,然后使用支持向量机 (SVM),决策树 (DT),K-近邻 (KNN) 和天真贝叶斯 (NB) 分类器进行分类.
• 使用PC-GITA数据库,包括元音和单词,进行验证.

主要成果:

• 由CT衍生的提议的TFE特征在反映与PD相关的语音变化方面表现出显著的有效性.
• 在分类任务中,TFE具有超越呼吸能力和Mel频率脑膜系数 (MFCC) 的特点.
• 支持矢量机 (SVM) 分类器实现了最高的准确性.
• 使用母音/a/和单词/atleta/,分别获得了98%和99%的分类准确率.

结论:

• 基于Chirplet转换 (CT) 的时间频率 (TFE) 特性通过语音分析为早期诊断帕金森病 (PD) 提供了一种有希望和有效的方法.
• 这种方法提供了一个非侵入性和准确的工具来识别PD,通过早期干预可能改善患者的结果.
• 该研究强调了先进的信号处理技术在发现复杂神经系统疾病的微妙生物标志物的潜力.