مقایسه pca-sofm و sofm به منظور تشخیص بیماری پارکینسون بااستفاده ازویژگیهای سیگنالهای صوتی

تخریب صوتی جزء اولین نشانه های بیماری پارکینسون است. با توجه به اهمیت تشخیص زود هنگام این بیماری نورولوژیکی، آنالیز تغییرات ایجاد شده در سیگنالهای صوتی، یکی از راهکارهای مطرح در زمینه تفکیک بیماران پارکینسونی است. دراین مقاله به منظور تشخیص بیماران دچار پارکینسون با استفاده از آنالیز سیگناهای صوتی، راهکارهایی مبتنی بر شبکه های عصبی خودسازمانده و همچنین ترکیب این شبکه عصبی با الگوریتمPCAارائه شده است. در راهکار ارائه شده تعدادی ویژگی آکوستیکی سیگنال صوت، مربوط به سه بخش اصلی سیستم گفتاری، استخراج شدهاند. به منظور تشخیص نقص عملکردی در هر یک از بخشهایسیستم گفتاری، از یک شبکه عصبی خودسازمانده استفاده شده است. سپس نوعی رایگیری بین نتایج بدستآمده از هر شبکه عصبی انجام شده است. به بیان دیگر تشخیص بیماری یا عدم بیماری با استفاده از حداکثر رای شبکه های عصبی خودسازمانده انجام میگیرد. دادههای انسانی از 22 فرد، 11 فرد سالم و 11 بیمار، استخراج شدهاند. در نهایت نتایج دو راهکار طبقه بندی، مقایسه شده اند. درصد طبقهبندی با استفاده از حداکثر آرا برای هر راهکار به ترتیب 81.52 و 76.08 درصد بوده است.

کلیدواژه ها:

تشخیص پارکینسون ، شبکه عصبی خود سازمان ده ، ترکیب شبکه خود سازمانده باPCA ، ویژگی های آکوستیکی صوت