Sobre el análisis de la señal de voz para el diagnóstico de la enfermedad de Parkinson
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1305Palabras clave:
Diagnóstico, Aprendizaje de Máquina, Enfermedad de ParkinsonResumen
Objetivo: Este estudio investiga si el posible sesgo en el sobremuestreo a través del enventanado de datos de marcha en individuos con enfermedad de Parkinson (EP) también ocurre en señales vocales. Un estudio previo planteó la hipótesis de que muestras distintas de un mismo individuo no deben tratarse independientemente, debido al riesgo de sesgar los modelos. Método: Utilizamos señales de voz de 24 individuos con EP y 8 sanos, y los algoritmos K-Nearest Neighbors (KNN), Support Vector Machine (SVM) y Random Forest (RF). La validación cruzada se realizó con Leave-one-out (LOOCV), adaptada para escenarios con y sin sesgo en los datos de entrenamiento. Resultados: Los modelos evaluados sin considerar el sesgo presentaron desempeños inflados, mientras que el enfoque riguroso mostró resultados más modestos. Conclusión: Las muestras del mismo individuo en entrenamiento y prueba pueden inflar el desempeño de los modelos. La correcta aplicación del sobremuestreo es crucial para desarrollar modelos confiables para el diagnóstico de EP.
Citas
Prabhavathi, K., and Shantanu Patil. Tremors and bradykinesia. Techniques for Assessment of Parkinsonism for Diagnosis and Rehabilitation (2022): 135-149. DOI: https://doi.org/10.1007/978-981-16-3056-9_9
Braak, Heiko, and Eva Braak. Pathoanatomy of Parkinson’s disease. Journal of neurology 247 (2000): II3-II10. DOI: https://doi.org/10.1007/PL00007758
Tanner, Caroline M. Epidemiology of Parkinson’s disease. Neurologic clinics 10.2 (1992): 317-329. DOI: https://doi.org/10.1016/S0733-8619(18)30212-3
Stewart A. Factor, William J. Weiner (2008) Parkinson Disease - Diagnosis and Clinical Management 2nd ed; 77-94
Ho, Aileen K., et al. Speech impairment in a large sample of patients with Parkinson's disease. Behavioural neurology 11.3 (1998): 131-137. DOI: https://doi.org/10.1155/1999/327643
Atarachi, J., and E. Uchida. A clinical study of Parkinsonism. Recent Adv Res Nerv Syst 1959; 3: 871 882 (1959).
Little, Max, et al. Suitability of dysphonia measurements for telemonitoring of Parkinson’s disease. Nature Precedings (2008): 1-1. DOI: https://doi.org/10.1038/npre.2008.2298.1
Aich, Satyabrata, et al. A supervised machine learning approach using different feature selection techniques on voice datasets for prediction of Parkinson’s disease. 2019 21st International Conference on Advanced Communication Technology (ICACT). IEEE, 2019. DOI: https://doi.org/10.23919/ICACT.2019.8701961
Ouhmida, Asmae, et al. Voice-Based Deep Learning Medical Diagnosis System for Parkinson's Disease Prediction. 2021 International Congress of Advanced Technology and Engineering (ICOTEN). IEEE, 2021. DOI: https://doi.org/10.1109/ICOTEN52080.2021.9493456
Rana, Arti, et al. An efficient machine learning approach for diagnosing Parkinson’s disease by utilizing voice features. Electronics 11.22 (2022): 3782. DOI: https://doi.org/10.3390/electronics11223782
Govindu, Aditi, and Sushila Palwe. Early detection of Parkinson's disease using machine learning. Procedia Computer Science 218 (2023): 249-261. DOI: https://doi.org/10.1016/j.procs.2023.01.007
Chagas, A., Bucci, G., Félix, J., Fonseca, A., Nascimento, H., & Soares, F. (2024). Avaliando a Sobreamostragem de Dados Temporais de Marcha no Diagnóstico Automático de Doenças Neurodegenerativas. In Anais do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde, (pp. 567-578). Porto Alegre: SBC. doi:10.5753/sbcas.2024.2776 DOI: https://doi.org/10.5753/sbcas.2024.2776
Quoc Cuong Ngo, Mohammod Abdul Motin, Nemuel Daniel Pah, Drotar P, Kempster P, Kumar D. Computerized analysis of speech and voice for Parkinson’s disease: A systematic review. Computer Methods and Programs in Biomedicine. 2022 Nov 1;226:107133–3. DOI: https://doi.org/10.1016/j.cmpb.2022.107133
Faceli, K., et al. Inteligência Artificial: Uma abordagem de aprendizagem de máquina, LTC, Ed. Rio de Janeiro: Grupo Editorial Nacional (2011).
Duda, Richard O., and Peter E. Hart. Pattern classification. John Wiley & Sons, 2006.
Altman DG, Bland JM. Diagnostic tests. 1: Sensitivity and specificity. BMJ. 1994 Jun 11;308(6943):1552. doi: 10.1136/bmj.308.6943.1552. PMID: 8019315; PMCID: PMC2540489. DOI: https://doi.org/10.1136/bmj.308.6943.1552
Gunawardana, Asela, and Guy Shani. A survey of accuracy evaluation metrics of recommendation tasks. Journal of Machine Learning Research 10.12 (2009).
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
