Voice feature Selection using genetic algorithms for detecting Parkinson’s disease

• Zambrano Miranda, Jose Adrian ^[1] ; Correa Pillajo, Jorge Eduardo ^[1] ; Grijalva Arevalo, Felipe Leonel ^[1] ; Vega Sanchez, José David ^[1]
  1. [1] Escuela Politécnica Nacional

     Escuela Politécnica Nacional

     Quito, Ecuador

     
• Localización: Revista de Investigación en Tecnologías de la Información: RITI, ISSN-e 2387-0893, Vol. 10, Nº. Extra 21, 2022 (Ejemplar dedicado a: Especial), págs. 140-150
• Idioma: inglés
• DOI: 10.36825/RITI.10.21.013
• Títulos paralelos:
  • Selección de funciones de voz mediante algoritmos genéticos para la detección de la enfermedad de Parkinson
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Hoy en día, la enfermedad de Parkinson (EP) es una de las enfermedades neurodegenerativas más comunes en el mundo después de la enfermedad de Alzheimer. Cerca de 6,2 millones de personas la padecen y se estima que para 2040 el número de enfermos de Parkinson se duplicará. La EP reduce la función motora, por lo que los pacientes sufren disminución del movimiento, rigidez, temblores e incluso la producción de la voz y el habla, incluida la respiración, la articulación y la fonación. Por esta razón, las características de la voz de los pacientes varían en comparación con las personas que no tienen EP. Por ello, buscamos un método que nos permita seleccionar las características de la voz que más inciden en el diagnóstico del paciente. Existen varios métodos para la selección de características y, en nuestro caso, utilizamos algoritmos genéticos (GA). Para validar nuestro enfoque de selección de características, construimos un clasificador SVM en el que se logró la mejor precisión del 88,54 % con 8 características seleccionadas por GA. Palabras clave: Parkinson, Algoritmos de Aprendizaje automático, Algoritmo Genético, SVM.doi: https://doi.org/10.36825/RITI.10.21.013

  • English

    Today, Parkinson’s Disease (PD) is one of the most common neurodegenerative diseases in the world after Alzheimer’s disease. About 6.2 million people have it and it is estimated that by 2040 the number of Parkinson’s patients will double it. PD reduces motor function, which is why patients suffer from decreased movement, stiffness, tremors and even the voice and speech production including breathing, articulation, and phonation. For this reason, the voice features of patients vary in comparison to people who do not have PD. Therefore, we are looking for a method that allows us to select the features of the voice that affects the most to the patient's diagnosis. There are several methods for feature selection and in our case, we use genetic algorithms (GA). To validate our feature selection approach, we constructed an SVM classifier where the best accuracy of 88.54% was achieved with 8 features selected by GA.Keywords: Parkinson, Machine Learning Algorithms, Genetic Algorithm, SVM. doi: https://doi.org/10.36825/RITI.10.21.013 

• Referencias bibliográficas
  • Martínez-Fernández, R., Gasca-Salas, C., Sánchez-Ferro, A., Obeso, J. Á. (2016). Actualización en la Enfermeda de Parkinson. Revista Médica...
  • Delgado Hernández, J., Izquierdo Arteaga, L. M. (2016). Eficacia de la rehabilitación de la voz en etapas tempranas de la Enfermedad de Parkinson....
  • Martínez-Sánchez, F. (2010). Speech and voice disorders in Parkinson’s disease. Revista de Neurología, 51 (9), 542–550. https://doi.org/10.33588/rn.5109.2009509
  • Luukka, P. (2011). Feature selection using fuzzy entropy measures with similarity classifier. Expert Systems with Applications, 38 (4), 4600–4607....
  • Shahbaba, B., Neal, R. (2009). Nonlinear models using dirichlet process mixtures. Journal of Machine Learning Research, 10, 1829–1850. https://www.jmlr.org/papers/volume10/shahbaba09a/shahbaba09a.pdf
  • Ozcift, A. (2012). SVM feature selection based rotation forest ensemble classifiers to improve computer-Aided diagnosis of Parkinson disease....
  • Little, M. A., McSharry, P. E., Hunter, E. J., Spielman, J., Ramig, L. O. (2009). Suitability of dysphonia measurements for telemonitoring...
  • Mostafa, S. A., Mustapha, A., Mohammed, M. A., Hamed, R. I., Arunkumar, N., Ghani, M. K. A., Jaber, M. M., Khaleefah, S. H. (2019). Examining...
  • Karapinar Senturk, Z. (2020). Early diagnosis of Parkinson’s disease using machine learning algorithms. Medical Hypotheses, 138, 1-5. https://doi.org/10.1016/j.mehy.2020.109603
  • Sivaranjini, S., Sujatha, C. M. (2020). Deep learning based diagnosis of Parkinson’s disease using convolutional neural network. Multimedia...
  • Das, R. (2010). A comparison of multiple classification methods for diagnosis of Parkinson disease. Expert Systems with Applications, 37 (2),...
  • Mei, J., Desrosiers, C., Frasnelli, J. (2021). Machine Learning for the Diagnosis of Parkinson’s Disease: A Review of Literature. Frontiers...
  • Arefi Shirvan, R., Tahami, E. (2011). Voice analysis for detecting Parkinson's disease using genetic algorithm and KNN classification...
  • Tsanas, A., Little, M. A., McSharry, P. E., Ramig, L. O. (2010). Enhanced classical dysphonia measures and sparse regression for telemonitoring...
  • Polat, K. (2012). Classification of Parkinson’s disease using feature weighting method on the basis of fuzzy C-means clustering. International...
  • Gestal, M., Rivero, D., Rabuñal, J. R., Dorado, J. Pazos, A. (2010). Introducción a los Algoritmos Genéticos y la Programación Genética. Universidade...
  • Aguado González, E. (2017). Detección Automática De Anomalías en Patrullaje Robotizado [Tesis de Grado]. Universidad Politécnica de Madrid....
  • van der Maaten, L., Hinton, G. (2008). Visualizing Data using t-SNE Laurens. Journal of Machine Learning Research, 9 (86), 2579-2605. https://www.jmlr.org/papers/v9/vandermaaten08a.html