Analyse du signal vocal pour le diagnostic de la maladie de Parkinson basé sur les modèles de Markov cachés HMM

Abstract

Le diagnostic précoce de la maladie de Parkinson (MP) représente un enjeu majeur en santé. Dans ce travail, nous avons développé un système intelligent basé sur l’analyse du signal vocal pour de diagnostic de cette pathologie. Des paramètres acoustiques tels que les coefficients MFCC et PLP ont été extraits, puis classés à l’aide du classificateur HMM (Hidden Markov Model). Les performances du système sont évaluées sur la base de données IPVS (Italian Parkinson's Voice and Speech). Ces performances sont comparées avec celles d’un système de diagnostic de MP basé sur le classificateur GMM (Gaussian Mixture Model) combiné avec la stratégie de la règle de vote. Les résultats expérimentaux ont montré des taux de reconnaissance élevés,atteignant 100 % dans le mode dépendant du locuteur pour les deux systèmes. Alors, dans le mode indépendant, le taux atteint 90,21 % dans le premier système en utilisant le descripteur PLP, et atteint 97.17 % dans le deuxième système en utilisant le descripteur MFCC. Ainsi, ces résultats montrent efficacité du deuxième système basé sur le descripteur MFCC dans le mode indépendant. Ces performances confirment le potentiel de l’analyse vocale comme outil d’aide au diagnostic de la maladie de Parkinson.