Classification automatique de la maladie de Parkinson à partir de la voix
| dc.contributor.author | Dahili, Ahlem | |
| dc.contributor.author | Benmessahel, Samira | |
| dc.date.accessioned | 2024-11-11T09:50:43Z | |
| dc.date.available | 2024-11-11T09:50:43Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Abstract Speech analysis is a promising approach for early and automated diagnosis of Parkinson's disease. This non-invasive and inexpensive method relies on the characteristic voice changes of the disease, present from the early stages, to identify patients. Automated systems based on artificial intelligence can analyze these voice changes and effectively discriminate Parkinson's disease patients from healthy subjects. Despite challenges such as voice variability and background noise, speech analysis has great potential to improve the diagnosis and management of Parkinson's disease. Ongoing research aims to refine this technology and make it a valuable tool for improving the quality of life for patients. | en_US |
| dc.identifier.issn | MM/854 | |
| dc.identifier.uri | http://10.10.1.6:4000/handle/123456789/5690 | |
| dc.language.iso | fr | en_US |
| dc.publisher | Université de Bordj Bou Arreridj Faculty of Mathematics and Computer Science | en_US |
| dc.title | Classification automatique de la maladie de Parkinson à partir de la voix | en_US |
| dc.type | Thesis | en_US |
Files
Original bundle
1 - 1 of 1
- Name:
- Classification automatique de la maladie de parkinson (1).pdf
- Size:
- 1.78 MB
- Format:
- Adobe Portable Document Format
- Description:
- En résumé, la maladie de Parkinson présente des défis significatifs en termes de détection précoce et de suivi de sa progression. Le développement de systèmes innovants, basés sur l'analyse des signaux vocaux et utilisant des techniques avancées d'apprentissage automatique et d'apprentissage en profondeur, pourrait révolutionner la manière dont cette maladie est diagnostiquée et gérée. Un tel système permettrait non seulement une détection plus rapide et plus précise de la maladie, mais aussi une surveillance continue de son évolution, améliorant ainsi la qualité de vie des patients. La construction d'une base de données robuste, la conception d'algorithmes performants et l'évaluation rigoureuse de ces outils sont des étapes essentielles pour atteindre cet objectif ambitieux. Dans ce travail, nous avons proposé une approche pour la détection de la maladie de Parkinson, c’est-à-dire, déterminer si une personne est atteinte de la maladie de Parkinson ou non. En testant différents algorithmes de Machine Learning et en sélectionnant les algorithmes les plus optimaux pour notre problématique. Afin d’aboutir à ces résultats, nous devons lire et étudier plusieurs publications et articles pour voir ce qui se fait de mieux dans le domaine de la détection et pour pouvoir concevoir notre propre approche. D’après les expériences rapportées dans les articles, nous remarquons qu’il est important de tester plusieurs algorithmes pour savoir lequel est le mieux adapté à une problématique donnée, car il n’y a pas de règle générale qui stipule qu’un algorithme est meilleur qu’un autre. Grâce aux avancées de l’intelligence artificielle, comme le Machine Learning, nous pouvons traiter des problématiques plus complexes et obtenir de bons résultats, ce qui est crucial dans le domaine de la santé où la précision peut sauver des vies humaines. L’intelligence artificielle offre de nombreux avantages pour explorer le paysage de la santé et promet d’innover dans le système de santé pour un avenir meilleur. Cette étude nous a permis de mieux comprendre les applications du Machine Learning dans le diagnostic médical. Ce fut également une leçon importante sur la conversion des données et l’analyse des algorithmes. Il est quelque peu regrettable que de nombreux ensembles de données médicales soient petits (cela peut être dû à la confidentialité des patients), car un ensemble de données plus grand nous donnerait plus de flexibilité et de robustesse dans l’analyse. Cependant, nous croyons que cette étude est un bon début pour construire des moyens d’aider à diagnostiquer les patients, en comblant l’écart entre les médecins et les grands ensembles de données.
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: