فرزاد سلطانی - دانشجوی کارشناسی ارشد، مهندسی برق، مدارمجتمع الکترونیک، دانشکده فنی دانشگاه سمنان

بیماری پارکینسون شایع ترین بیماری مخرب مغزی با تظاهرات حرکتی و دومین بیماری مخرب عصبی بعد از آلزایمر بشمار می رود. تخریب صوتی جزء اولین نشانه های بیماری پارکینسون است. با توجه به اهمیت تشخیص زودهنگام این بیماری نورولوژیکی، آنالیز تغییرات ایجاد شده در سیگنالهای صوتی یکی از راهکارهای مطرح در زمینه تفکیک بیماران مبتلا به پارکینسون است. متخصصان بالینی و پاتولوژیستهای گفتاری برای ارزیابی اختلالات گفتاری در بیماران مبتلا به پارکینسون از روشهای کیفی مبتنی بر نشانه های صوتی به منظور تشخیص حالتهای مختلف این بیماری استفاده می کنند. در این تحقیق یک روش جدید مبنی بر یادگیری ماشین در تشخیص پارکینسون از روی صدا ارائه شده است. در این روش فرآیند استخراج ویژگی به منظور کاهش بعد بر روی داده های گفتاری انجام می شود و بردار ویژگی مربوط به این داده ها ایجاد می شود. سپس این بردار ویژگی باطبقه بندهایی همانند ماشین بردار پشتیبان یا شبکه عصبی دسته بندی خواهد شد. نتایج بدست آمده با معیارهای ارزیابی مورد سنجش قرار خواهد گرفت.

پارکینسون، تشخیص، یادگیری ماشین، طبقه بندی، ارزیابی