Diagnostic de la maladie de Parkinson basé sur l’analyse de la voix et l’application de l’apprentissage profond

Abstract

Le diagnostic automatique de la maladie de Parkinson à partir de la voix, en s’appuyant sur l’apprentissage profond, est une méthode moderne et prometteuse pour la détection précoce de cette maladie neurologique. Cette approche se caractérise par son caractère non invasif et son faible coût. Plus particulièrement, un système de diagnostic de MP par la voix consiste à classifier des signaux vocaux en classes N (Normale) et AN (Anormale : Parkinsonien), en utilisant des algorithmes de Machine Learning (ML). Dans ce projet, on propose d’appliquer des algorithmes d’apprentissage profond sur les paramètres acoustiques pour cette tâche de diagnostic. La conception d’un tel système se base sur une phase d’apprentissage permettant la modélisation des différentes classes et une phase de reconnaissance permettant la classification du signal d’entrée en une classe N ou AN. Les résultats d’une étude comparative entre les performances du système proposé et celles d’un système basé sur des algorithmes d’apprentissage automatique tels KNN et SVM, nous ont montré l’efficacité du classificateur SVM en modes indépendant et dépendant du locuteur. Cependant, l’algorithme d’apprentissage profond montre une faible précision, causée par le nombre limité des données de la base d’apprentissage