Selección de funciones de voz mediante algoritmos genéticos para la detección de la enfermedad de Parkinson
DOI:
https://doi.org/10.36825/RITI.10.21.013Palabras clave:
Parkinson, Algoritmos de Aprendizaje Automático, Algoritmo Genético, SVMResumen
Hoy en día, la enfermedad de Parkinson (EP) es una de las enfermedades neurodegenerativas más comunes en el mundo después de la enfermedad de Alzheimer. Cerca de 6,2 millones de personas la padecen y se estima que para 2040 el número de enfermos de Parkinson se duplicará. La EP reduce la función motora, por lo que los pacientes sufren disminución del movimiento, rigidez, temblores e incluso la producción de la voz y el habla, incluida la respiración, la articulación y la fonación. Por esta razón, las características de la voz de los pacientes varían en comparación con las personas que no tienen EP. Por ello, buscamos un método que nos permita seleccionar las características de la voz que más inciden en el diagnóstico del paciente. Existen varios métodos para la selección de características y, en nuestro caso, utilizamos algoritmos genéticos (GA). Para validar nuestro enfoque de selección de características, construimos un clasificador SVM en el que se logró la mejor precisión del 88,54 % con 8 características seleccionadas por GA.
Citas
Martínez-Fernández, R., Gasca-Salas, C., Sánchez-Ferro, A., Obeso, J. Á. (2016). Actualización en la Enfermeda de Parkinson. Revista Médica Clínica Los Condes, 27 (3), 363-379. https://doi.org/10.1016/j.rmclc.2016.06.010
Delgado Hernández, J., Izquierdo Arteaga, L. M. (2016). Eficacia de la rehabilitación de la voz en etapas tempranas de la Enfermedad de Parkinson. Revista Discapacidad Clínica Neurociencias, 3 (1), 42–47. https://doi.org/10.14198/DCN.2016.3.1.04
Martínez-Sánchez, F. (2010). Speech and voice disorders in Parkinson’s disease. Revista de Neurología, 51 (9), 542–550. https://doi.org/10.33588/rn.5109.2009509
Luukka, P. (2011). Feature selection using fuzzy entropy measures with similarity classifier. Expert Systems with Applications, 38 (4), 4600–4607. https://doi.org/10.1016/j.eswa.2010.09.133
Shahbaba, B., Neal, R. (2009). Nonlinear models using dirichlet process mixtures. Journal of Machine Learning Research, 10, 1829–1850. https://www.jmlr.org/papers/volume10/shahbaba09a/shahbaba09a.pdf
Ozcift, A. (2012). SVM feature selection based rotation forest ensemble classifiers to improve computer-Aided diagnosis of Parkinson disease. Journal of Medical Systems, 36 (4), 2141–2147. https://doi.org/10.1007/s10916-011-9678-1
Little, M. A., McSharry, P. E., Hunter, E. J., Spielman, J., Ramig, L. O. (2009). Suitability of dysphonia measurements for telemonitoring of Parkinson’s disease. IEEE Transactions on Biomedical Engineering, 56 (4), 1015–1022. https://doi.org/10.1109/TBME.2008.2005954
Mostafa, S. A., Mustapha, A., Mohammed, M. A., Hamed, R. I., Arunkumar, N., Ghani, M. K. A., Jaber, M. M., Khaleefah, S. H. (2019). Examining multiple feature evaluation and classification methods for improving the diagnosis of Parkinson’s disease. Cognitive Systems Research, 54, 90–99. https://doi.org/10.1016/j.cogsys.2018.12.004
Karapinar Senturk, Z. (2020). Early diagnosis of Parkinson’s disease using machine learning algorithms. Medical Hypotheses, 138, 1-5. https://doi.org/10.1016/j.mehy.2020.109603
Sivaranjini, S., Sujatha, C. M. (2020). Deep learning based diagnosis of Parkinson’s disease using convolutional neural network. Multimedia Tools and Applications, 79, 15467–15479. https://doi.org/10.1007/s11042-019-7469-8
Das, R. (2010). A comparison of multiple classification methods for diagnosis of Parkinson disease. Expert Systems with Applications, 37 (2), 1568–1572. https://doi.org/10.1016/j.eswa.2009.06.040
Mei, J., Desrosiers, C., Frasnelli, J. (2021). Machine Learning for the Diagnosis of Parkinson’s Disease: A Review of Literature. Frontiers in Aging Neuroscience, 13, 1–41. https://doi.org/10.3389/fnagi.2021.633752
Arefi Shirvan, R., Tahami, E. (2011). Voice analysis for detecting Parkinson's disease using genetic algorithm and KNN classification method. 18th Iranian Conference on BioMedical Engineering (ICBME), Tehran, Iran. https://doi.org/10.1109/ICBME.2011.6168572
Tsanas, A., Little, M. A., McSharry, P. E., Ramig, L. O. (2010). Enhanced classical dysphonia measures and sparse regression for telemonitoring of Parkinson’s disease progression. IEEE International Conference on Acoustics, Speech and Signal Processing, Dallas, TX, USA. https://doi.org/10.1109/ICASSP.2010.5495554
Polat, K. (2012). Classification of Parkinson’s disease using feature weighting method on the basis of fuzzy C-means clustering. International Journal of Systems Science, 43 (4), 597–609. https://doi.org/10.1080/00207721.2011.581395
Gestal, M., Rivero, D., Rabuñal, J. R., Dorado, J. Pazos, A. (2010). Introducción a los Algoritmos Genéticos y la Programación Genética. Universidade da Coruña.
Aguado González, E. (2017). Detección Automática De Anomalías en Patrullaje Robotizado [Tesis de Grado]. Universidad Politécnica de Madrid. https://oa.upm.es/49198/
van der Maaten, L., Hinton, G. (2008). Visualizing Data using t-SNE Laurens. Journal of Machine Learning Research, 9 (86), 2579-2605. https://www.jmlr.org/papers/v9/vandermaaten08a.html
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
