dissertação
Modelagem incremental fuzzy para detecção incipiente e estimação do grau de severidade da doença de parkinson a partir de sinais de voz
Carregando...
Notas
Data
Autores
Orientadores
Editores
Coorientadores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Lavras
Faculdade, Instituto ou Escola
Departamento
Departamento de Engenharia
Programa de Pós-Graduação
Programa de Pós-Graduação em Engenharia de Sistemas e Automação
Agência de fomento
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos de Desenvolvimento Sustentável
Dados abertos
Resumo
A doença de Parkinson é uma doença neurodegerativa crônica que afeta o sistema nervoso central e acomete, principalmente, o sistema motor. Muitos sintomas não-motores, anteriores aos sintomas motores, têm início de forma pouco perceptível por parte do indivíduo. À medida que a doença progride, os sinais se tornam mais claros. A presença de dificuldades motoras é atualmente fundamental para suporte ao diagnóstico clínico. Dentre as linhas de pesquisa existentes em detecção da doença de Parkinson em estágio anterior àquele em que os sintomas motores surgem está a linha de alterações da fala. Alterações mínimas no espectro de frequência da voz podem evidenciar a doença em seu estágio inicial. Este trabalho apresenta métodos e modelos em Aprendizado de Máquina Incremental a partir da perspectiva da Inteligência Computacional. O modelo Fuzzy Set-based Evolving Modeling (FBeM) para detecção de padrões de Parkinson baseada em fonações sustentadas é um modelo não-linear e não-estacionário, já que se adapta ao longo do tempo a partir de um fluxo de dados. Os dados experimentais considerados neste trabalho foram obtidos a partir de uma iniciativa da Universidade de Oxford, Parkinsons Voice Initiative. Eles se referem a variáveis selecionadas a partir do espectro de frequências de 42 indivíduos, sendo 23 em estágio inicial de desenvolvimento da doença. Os modelos desenvolvidos provêm uma estimativa do grau de severidade da doença na escala internacional Unified Parkinson Disease Rating Scale (UDPRS). Uma abordagem de modelagem neuro-fuzzy bem conhecida, Adaptive Neuro-Fuzzy Inference System (ANFIS) é tomada como base de comparação e limite inferior de desempenho aceitável para o modelo evolutivo FBeM proposto. Além disso, correlações lineares e monotônicas foram analisadas para seleção de variáveis. Os resultados de estimação indicam uma acurácia ligeiramente maior do modelo evolutivo proposto.
Abstract
Parkinson’s disease is a chronic neurodegenerative disorder that affects the central nervous system and therefore the motor system. Many early non-motor symptoms are in principle hard to be perceived by the individual. As the disease develops, symptoms become noticeable. Currently, motor impairment is essential to support the clinical diagnosis. Among the research directions on detecting the Parkinson’s disease in early stage – prior to motor symptoms – is that of monitoring the voice of individuals and subtle changes during speech. Frequency spectrum analysis may reveal the disease in early stage. The present study considers methods and models for Incremental Machine Learning from the Computational Intelligence perspective. The Fuzzy Set-based Evolving Model (FBeM) for detecting patterns of the Parkinson’s disease from sustained phonation is a nonlinear and nonstationary model, that is, it is able to self-adapt over time from a data stream. Experimental data were obtained from the University of Oxford Parkinson’s Voice Initiative. The data are related to attributes of the frequency spectrum of 42 individuals, being 23 on early stage Parkinson’s disease. The developed models provide an estimation of the severity of the disease according to the Unified Parkinson Disease Rating Scale (UDPRS). A neuro-fuzzy modeling approach, known as Adaptive Neuro-Fuzzy Inference System (ANFIS), is considered for comparisons. Moreover, linear and monotic correlations were analysed for attribute selection. Estimation results have shown that the performance of the proposed evolving FBeM model slightly overcomes that of ANFIS.
Descrição
Área de concentração
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
Palavras-chave
Sistema fuzzy evolutivo, Aprendizado de máquina incremental, Fluxo de dados, Doença de parkinson, Sintomas não-motores, Unified parkinson disease rating scale, Adaptive neuro-fuzzy inference system, Evolving fuzzy system, Incremental machine learning, Data stream, Parkinson’s disease, Non-motor symptoms
ISBN
DOI
Citação
Modelagem incremental fuzzy para detecção incipiente e estimação do grau de severidade da doença de parkinson a partir de sinais de voz