Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4265 ~ 4271   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp 4265 - 42 71          4265       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Voice A s sess m ent s for  D et ec tin g  P atie nt s with  Parkin son’s  D iseas es in   D iffer ent  S tag es       El mehdi B en malek ,  Jam al  E lm ha mdi ,  A bdeli lah  J il bab     Depa rtment  o f  E le c tri c al  Engi n eering,   ENSET  R a bat ,   Moham ed  V   Univer sit y ,   Mor occ o       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Feb   20 , 201 8   Re vised  Ju l   6 ,   201 8   Accepte d  Aug   7 , 2 01 8       Rec en tly ,   a  wide  ran ge  of  spee ch  signal   proc essing  al gorit hm s  (d y sphoni a   m ea sures)  ai m in g  to  de tect  p at i ent s  with  Park i nson’s   disea se  ( PD ).   So  we  have   computed  19  d y sphoni a  m ea sures  from   sus ta in ed  vowels  co ll e ct ed   from   375  voic e   sam ple s  from   hea l th y   and  pe opl e  suffe r  from   PD .   All  t he  fe at ure s   are   an aly s ed  an d  the   m ore   releva nt  ones  ar e   sele cted  b y   th e  Princi pa l  component  ana l y sis  (PCA )  to  cl assif y   th e  subjects  in  4  cl asses  ac cor ding  t o   the   UP DRS   (un ifi ed  Parkinson’ s  disea se  Rat ing   Scal e)  score .   W e  used  k - fo lds  cro ss   valid at ion  m e thod  wit h  (k= 4)  v al id at io n  sche m e;   75%   f or  training   and  25%  for  te st ing,   al ong  wi th  t he  Support  Ve ctor  Mac hin es  (SV M)  with  it s   diffe ren t  t y p es  of  ker ne ls.  Th e  be st  result   obt ai n e d  was  92. 5%  usi ng  the   PC A   and  th e li ne ar  S VM .   Ke yw or d:   Cl assifi cat ion   Par kin s on’s dis ease   PCA   SV M   Vo ic e  featu res   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   El m ehd i B enm al ek ,    Dep a rtm ent o f El ect rical  En gi neer i ng,    ENS E T Rabat,  Moham ed  V Un i ver sit y,    Ra bat, Mo r occ o .   Em a il : elm ehd i.be nm al ek@ um 5s .n et .m a       1.   INTROD U CTION   Par kin s on’s dis ease (P D)  is a  neur od e ge ner a ti ve  disor der  th at  r esults f ro m  the d eat h  of  dopam inerg ic   cel ls  in  the  substanti a  nigra   wh ic h  is  a  bas al   ganglia   struc ture  locat e d  in  the  m idb rain .  Su c h  ne urol ogic al  diseases  pr ofo undly  aff ect   th e  patie nts’  qu al it y  of   li fe  and   t heir  fam il ie s  [1 ] .  Ag e  is  on e  of  the  m os t  i m p or ta nt   risk  facto r  w hi ch  ex plain  t hat  PD   is  gen e ral ly   seen  in  pe ople   o ver   t he  a ge  of  50.  Dia gnos is  of  P D  is   ver y  diff ic ult  we  use   neu r ologica l  te sts  and   br ai n  scans  to  diag nose  it .  These  m et hods   are  ve r y  exp ensi ve  an d  nee d  high level  of e xp e rtise .    Since  m os t  of  the  people  with   PD  suffe r  fro m   sp eech  dis order s   [ 2] ,   [ 3],  it   co ul d  be  c onsidere d  as   th e   m os t  reaso nab l e  way  for  dete ct ion   of  PD   [4] .  The  range  of  sy m pto m s  pr esent  in  sp eec h  dis order s  i nc lud es   reduce d  lo udne ss,  inc reased  vo cal   trem or ,  and   breat hin es s.  V ocal  dis order s  do  not  ap pear   a bru ptly ,  they   ar e   the  res ult  of  a  slo w  e voluti on   w ho se   early   s ta ges  m ay   be  unnoti ced.  V oice  assessm ents  has  pro ven  to   be  a n  eff ect ive  t oo l f or  PD  d et ect io n,  f or  this p urp os e,  t he  proces sing  of  the qua li ty   of   sp eec h,  an d  the  ide ntifi cat ion   of   the  ca us es  of  it s  degrada ti on  in  the  c onte xt   of   P D  bas ed  on   phon ologica l  and   ac ousti c  cues  ha ve  bec om e   on e  of t he  m ain  inte rest of cli nicia ns  a nd s pe ech  path ologist s.    Am on g  the  m os t  interest in g  recent  wor ks  are  tho se  co ncerne d  with  cl ass  of   ne uro deg e ne rati ve  diseases  su c h  as  PD ,  m ulti pl e  scl ero sis  am ong  o t her ,  that   aff ect   m oto r,   cogniti ve  capa bili ti es,  and   pa ti ent's   sp eec h  [5 ] ,   [ 6] .  Ther e  are  r ecent  stud ie s  us in g  m achine  le arn in g  too ls   su ch  as  Sup port  Vect or   Ma chine   (S VM )  cl assifi er,  Ga us sia n  ra dial  basis  ke rnel   fu nc ti on s ,  re gr essi on,  ne ura l  networks,  D Mne ural   an d  de ci sion    tree  [ 7] ,   [ 8],  a nd  aco us ti c  m easur em ents  ( f eat ur es )  of   dys phonia   f or  the   detect ion  of  voic e  dis orde rs,  these   include  f unda m ental   fr eq ue nc y  or   pitc h  of  vo cal   os ci ll at i on   (F0);  Jit te r  wh ic h  is  the  c yc le - to - cy cl e  va riat ion   of   fun dam ental  fr e qu e ncy;   Shim m er  that  represents  t he  ext ent  of  va riat ion   in  s peec h  am plit ud e  from   c yc le   to   cy cl e;   m easur es  of  noise - to - ha rm on ic s  rati o  com ponen ts   in  t he  vo ic e;   t he   N on li near  dy nam ic al   com plexity   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4265   -   4271   4266   and   f undam ental   fr eq ue ncy  va riat ion   a nd   Sign al   fr act al   sc al in g  e xponent   [1 ] ,   [4] ,   [9 ] .  Stud ie s  ha ve  s how n  var ia ti ons  in  al l  these  m easurem ents  in  peop le   with  PD   [ 10 ] .  All  these  stud ie s  has  been   perform ed  fo r  bin a ry  cl assifi cat ion ,  so   f or   a n  ea rly   diag no sis  of   PD ,  m ulti cl ass   cl assifi cat ion   base d  on  se veri ty   of   sy m pto m s   has   been   ac hieve d  with  di ff e ren t  cl assifi ers  us i ng  the  L ocal  Le arn i ng - Ba sed  Feat ur e  Sele ct ion   featu re  sel e ct ion   al gorithm   and  t he  ce ps tral  a na ly sis [11] ,   [ 12] ,   In   t his  stu dy,  we  wan t  t o  disti nguish   PD  patie nts  on  dif fer e nt  sta ges   of  sym pto m s’  sever it y  f ro m   healt hy  c on tr ol   us i ng  these   ac ou sti c  m easur e m ents.  S o  we  a i m ed  to d isc ri m inate   375  s ub j ect s o n  4 groups; 55  healt hy  co ntr ol,  178  in  ea rly   118  in   interm ediat e  an d  24  in   adv a nce d  sta ge   accor ding  t o  the  UPDRS  s c or es .  Each  pa rtic ipant  wa s  in vited   to  pr onou nce   the  s us ta ine d  vowel  /a /  a nd  hold  it   at   c om fortable  le vel,   f r om   each  vo ic e  sam ple  we  ha ve  extra c te d  19   ac ousti c  featur es ,  to  re du ce  t he  num ber   of   t hese  aco us ti c  featur e s  and   get  on ly   the  m os t  releva nt  ones,  we  ap plied  t he   pr i ncipal  c ompone nt  analy sis,  a nd  for  cl as sific at ion   we  use d  k - fo l ds  c ro ss   validat ion m et ho d al ong wit h  th e  SV M cl assifi e r s w it h i ts dif fere nt k e r nels.       2.   RESEA R CH MET HO D     2.1.   Dataset    The  dataset   c ol le ct ed  in  this  stud y  belo ng  t o  T he  Pati ent  Vo ic e  A naly sis  (PV A)   datas et   [ 8 ],   [ 13 ] ,  it   con ta in s  voic e  recordi ngs  of  voic e  ph on at io ns  sel f - repo rted  sy m pto m   asses sm ent  PD RS  ( Par kin s on’s  Di sease  Ra ti ng   Scal e)  and   dem og ra phic   inf or m at ion   ab ou t  the  cal le rs.   Each  row   in  the  dataset   cor r esp onde d  to  one  repor t  from   a  Par kin s on’s  pa ti ent  and  the  dy sp honia  m easur em ents  are  r epr ese nted   in  t he  c olu m ns .  T her e   are   375  us ers  t ota l  (r epeate d  a nd  use le ss  rec ords  a re  rem oved).  All  pa rtic ipants  wer e  a sk e d  to  rec or d  the  su sta ine d  vow el   “a”  ho ld  as   lon g  as  po s sible  at   a  co m fo rta ble  le vel.  They  al so   pro vid e d  the  f ollow i ng   inf or m at ion ;  age,   ge nder,   a ge   of  diag nosis,   ye ars  si nce  fi rst  sym pto m ,  if  they   are   on  t reatm ent  or   not,  with   (m ean  62 . 17   y ears  old,  m axi m u m   84   and   m ini m u m   34 ,  sta nd a rd   dev ia ti on :  8.370 254,  var ia nce:  69. 88011,  popula r  sta nd a rd d e viati on :  8.359 432,  va rian ce p opular:  67. 9286) .   Am on g  375  pe rsons  for  wh i ch  the  data  we re  rec orde d,   w e  cl assify   55   s ubj ect s  as  heal thy,  178  in  early   sta ge,   11 8  in  inte rm edi at e  sta ge,   an d  24   as  a dva nce d  sta ge  base d  on   UPDRS  sc or es .  V oice  re cordin gs  and  the  pr e - processin g  a re  n ot  suffici e nt  in   the  asses sm e nt  of  vo ic e  dis orders.  T he refor e ,  it   is  esse nt ia l  to   dev ise   an d  des cribe  voic e  sa m ples  us ing  a  set   of  ac ousti c  featur e s,  w hich  a re  represe nted  as   a  featu re   vec t or   us e d  f or s peec h  a naly sis.      2.2.   Feature e xt r ac tion   In   this  dataset ,  19   li nea r  an d  non - li near   featu res  we re  extrac te d.   Table  1  co ntains  al l  the  f eat ur es  a nd   a  br ie f  desc ript ion s  [ 14 ] .  16  f eat ur es  a re  bas ed  on  f our  factor s:  F 0  ( f unda m ental   fr eq ue nc y  or   pitc h) ,  se ver al   m easur es  of  va riat ion   in  f undam ental   fr equ ency  an d  am plit ud e  an d  m easur e s  of   rati o  of   no ise   to  ton al   com po ne nts in   the voice , t hes e m easur e m ents are  t he  m os t i m po rtant f act ors  of  t he v oice  sign al .       Table  1.   Feat ur es  Ext racted   Featu re  n u m b er   Featu res   Descripti o n   1   MDVP:  Fo (H z)   Av erage vo cal fu n d a m en tal  f requ en cy   2   MDVP:  Fhi ( Hz)   Maxi m u m  vo cal fu n d a m en tal  f requ en cy   3   MDVP:  Flo ( Hz)   Mini m u m  vo cal  f u n d a m en tal  f requ en cy   4   Jitter ( % )   Sev eral  m easu res   o f  variatio n  in f u n d a m en tal f requ en cy   5   Jitter ( Ab s)   6   MDVP:  RAP   7   MDVP:  PPQ   8   Jitter: D DP   9   Sh i m m e r   Sev eral  m easu res   o f  variatio n  in a m p litu d e   10   Sh i m m e r  (dB )   11   Sh i m m e r:  APQ3   12   Sh i m m e r:  APQ5   13   MDVP:  APQ   14   Sh i m m e r:  DDA   15   NHR   Two  m e asu res of  r atio  of  no ise to  tonal  co m p o n en ts in   th e vo ice   16   HNR   17   RPDE   No n lin ear  d y n a m i cal  co m p lex it y   m e asu res   18   DFA   Sig n al f racta l scali n g  exp o n en t   19   PPE   No n lin ear m e asu re  of  f u n d a m en tal f r eq u en cy  variatio n       Jit te r  (%) :  Expresse d  as  a  per centa ge,   this  is  the  aver ag e  abs olu te   differ ence  betwee n  consecuti ve   per i od s  of  fun dam ental  f re qu e ncy,  div ide d b y t he  ave ra ge p erio d    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Voice Asse ssme nts for  D et ect ing   Patie nts  wi th P ar ki nso n’ s   …. ( Elmeh di Be nmalek)   4267    ( % ) =   1 ∑ | − − 1 | − 1 = 1 1 ∑ = 1   (1)     Wh e re     is  the  per i od  of  f undam ental   fr e qu encies  of  window   num ber   “ i”   an d  N   is  t he   total   nu m be r  of  windows.   Jit te r  ( ABS) :  Jit te r  abs ol ute  is  the  cy cl e - to - cy cl e  var ia ti on  of   fun dam ental   fr e qu e ncy,  i. e.  the  aver a ge  a bsolu te  d iffe re nce  be tween c onsec utive  per i od s , e x presse d  as:      (  ) =   1 − 1 ∑ | − − 1 | − 1 = 1   (2)     Wh e re       is  the   e xtracted   F 0  pe r iod  le ngths ,  a nd  N   are   is   the   n um ber  of   extr act ed  F 0  per io ds .   Jit te r  (RA P ):  it   is  def ine d  as  the  Re la ti ve  A ver a ge  Pe rturb at ion ,  the  a verage  abs olu te   di ff ere nc e  bet w een  a  pe rio d  and   t he   aver a ge of  it  a nd it s tw o neig hbours , divide d by the a ve rage pe rio d.     Jit te r  (P P Q)  re pr ese nts  t he  Pe rio d  Pe rtu rb at i on  Q uoti ent,  de fine d  as   the  a ver a ge  a bsolut e  dif fer e nc e   betwee n  a  pe ri od   a nd  the  a ve rag e  of   it   an d  i ts  four   cl ose s t  neig hbors,  div i ded   by  the  a ve rag e  per i od   [ 15 ], [ 16 ].   Sh im m er:  This  is  the  aver age   abso lute  diff e ren ce  betwee n  the  a m plit ud es   of   co ns ec utiv e  per io ds ,  div i ded   by  the av e ra ge  am plit ud e     ℎ  =   1 − 1 ∑ | − − 1 | − 1 = 1 1 ∑ = 1   (3)     Sh im m er  ( APQ5):   It   is  def i ned  as  t he  fiv e - point  Am plitu de   Pe rtu rb at i on  Q uoti ent,  t he  a ver a ge   abs olu te   dif fere nce  bet ween   the  am pli tud e  of   a  pe rio d  an d  the  ave rag e  of   the  am plit ud es  of  it   and   it s  fou r   cl os est   neig hb ours,   div i ded   by  the  ave rage  a m plit ud e.   HN R:   Ha rm o ni cs  to  No ise   Ra t io ,  NH R:   No ise   to   Har m on ic s Rat io.   Re currence  Pe rio dicit y  Den sit y  Entro py  (R PD E )  is  based  on   the  noti on   of   rec urren ce  [ 17 ] ,  w hich   can  be  seen  as   a  gen erali zat ion   of   pe rio dicit y  [ 18 ] .  This  m easur e  ad dr e sses  the  abili ty  of   the  vocal   fo lds  t o   su sta in  sta ble  vo cal   f old   osc il la ti on ,  qu a ntif yi ng   the  de viati on s  f ro m   exact  per iod ic it y.  Pit ch  Period   E nt ropy   (P PE )  m easur e s  the  im paired   con t ro l  of  sta bl e  pitch  durin g  su sta ine d  phonat ions  [ 1],  a  s ym pto m   com mo n  to   people  with   P D  [ 19 ].   Detre nded  Fluctuat i on  A naly sis  ( D FA )  is  a  scal in g  analy sis  m eth od  us e d  to  quantify  long  ra nge  power - la w  a uto c orrelat ion s  i n  sign al s  w hich  are  no n - sta ti on ary,  th us   ov e r com ing   so m e  of   t he   pro blem s o f  sc al ing  a naly sis t echn i qu e s  wh i ch  a re  on ly  s uitable  for st at iona ry sig nals [ 18 ], [ 20 ].     2.3.   Feature sel ec t ion  an d  vali dation   In   m os t  sit uatio ns,  we  fin d  oursel ves  with  a   nu m ber   of  va r ia bles  wh ic h  te nd s  t o  excee d  the  num ber  of   ob se r vations.  Dim ension a li ty  red uctio n  process  procee ds   by  ap plyi ng  a  feature   sel ect ion   al gorith m .   In   order   t o  ha ve   a  bette r  representat io n  of   the  data,  re dundant  a nd   us el ess  in for m a ti on   will   be  thu s   ci rcu m ven te d.   The pri ncipal  obj ect iv es  of  t he  r ed uctio n of di m ension   can  be  d esc ribe d by  [ 21 ] . So t o  im p rove  the  ta sk   of  cl assifi cat ion   an d  to  ai d  the  visua li zat ion   an d  t he  com pr ehe nsi on   of  the  da ta ,  we  ha ve  to  id entify   the  m or e  relev ant  feat ur es   in  order  to  re du ce   the  sto ra ge  of   sp ace  necessa r y,  m ini m iz e  tim e  con s um pti on  a nd   CPU - e xpen ditur e .    Howe ver,  the  el i m inati on   of  certai n  in for m at ion   can  in crease  the  cl as sific at i on   er r or,  co ns ide rin g  this  inform at io n  can  pro ve  to  be  inf orm ati ve  if  they   are  us ed  [ 22 ] .  In  this  stud y  we   us ed  the  Pr i nc ipal   Com po ne nt  A naly sis  (P C A) ,   w hich  c onsid ered   t he  m or e   recog nized  li near   te c hniq ue   for  dim ension al it y  reducti on, th e  PCA p e rfor m s a l inear m app ing   of  the  data to a lo we r - dim e ns io nal sp ace i n  su c h  a w ay  that the  var ia nce  of  the   data  in  the  lo w - dim ension al   representat io n  is  m axi m iz ed.   Pr evi ous  sp ee ch  analy sis  has   sho w n  sat isfact or y  res ults usi ng this  r edu ce  d im ension al it y m et ho d [ 23 ] .    Af te r   extracti ng  al l  featu res  a nd  sel ect ing   t he   m or e  releva nt   on es ,  we  cl as sify  voic e  sam ples  ba sed  on   t hese  feature s  into  four   gr oups ;  Healt hy  cases,  pe ople   with  P D  in  ea r ly ,  interm ediate  and  ad va nce d  sta ges .  Subseque ntly ,  we  buil t  a  m atr ix  ba sed  on   t he se  p aram et ers.   The  c olu m ns   of   the  m at rix  r epr ese nt  the  fe at ur es   and   t he  r ow s  r epr ese nt  the  voic e  sam ples.  In   this  stu dy,  w e  us ed  k - f old s  cro ss  validat io n  m et ho d  with   (k = 4)  al ong  with  di f fer e nt  kernel  of   the  S VM  cl assifi er;  Train ing   an d  te sti ng  proce dures  are  a ppli ed:  75%  f or  trai ning  an d  25%  f or  te sti ng.   The  dataset   is  div ide d  i nto   4   subsets,  eac h  t i m e,  on e  of   th e   4   subsets  is  use d  as   the  te st  set   and   the  ot her   3   s ub s et s  are  put  tog et he r  to  f orm   a   trai nin g  set .  The n  the  aver a ge  er ror  acro s s  al l   4   tria ls  is  com p uted.   T he  adv a ntage  of   this  m et ho d  is  that  it   m at te rs  l ess  how  the  da ta   gets  div ided ,  ever y   data point  gets  to b e  in  a  test  s et  ex act ly  once , and gets t o be  in  a t rainin g s et   3   ti m es.           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4265   -   4271   4268   3.   RESU LT S   A ND AN ALYSIS   3.1.   Obtained  resu lts usin g  li ne ar  kernel    The  T a ble   2  re pr ese nt  the   obt ai ned   res ults  of  cl assifi cat ion  us in g  t he  li ne ar  S VM,  a nd  s el ect ing   th e   m or e  relevan t  featur e s  by  the   PCA  m et ho d,  with  92.5 %  overall   accu rac y.  Fo r  each  cl a ss  we  ha ve  the   ROC   curve.  In this   m od el  w e h a ve  for :   1.   The  healt hy  co ntr ol:  we  ha ve   49   wer e  c orre ct ly   cl assifi ed,   6  we re  m isc lassified  a nd   c on sidere d  as  earl y  sta ge,   with a  percenta ge of  89% tr ue p os it iv e rate;   2.   The  ea rly   sta ge   cl ass:  we  ha ve   171  we re  c orrectl y  cl assifi ed,   7  were  m isclassifie d  ( 2  a s  healt hy,  a nd  5  as  interm ediat e st age),  with a  pe rcen ta ge of  t rue p os it ive r at e   96%;   3.   The  interm ediat e  sta ge  cl ass:  we  hav e  11 3  wer e  co rrec tl y  cl assifi ed,   5  w ere  m isc la ssifi ed  (4   as  in  ear ly   sta ge,  a nd  1  as  adv a nce d  sta ge )  wit h  a  per ce nt age of 9 6%  tr ue posi ti ve  rate ;   4.   The  a dv a nce d  sta ge  cl ass:  we   ha ve  14 w e re co r rectl y  cl assifi ed,  10 w ere m isc la ssifie d  ( as  in  inte rm edi at e  sta ge) ,  w it h a  pe rcen ta ge of  58% tr ue p os it iv e rate.       Table  2 .   Re s ults  Usi ng Linea r  SV M   Confus i on m atr ix     ROC cu r ve   Cl ass 1   Cl ass 2   Cl ass 3   Cl ass 4                 3.2.   Obtained  resu lts usin g  q uad rat ic   kernel   The  T able  3  re pr ese nt  t he  ob t ai ned  res ults  of  cl assifi cat io n  us i ng  the   qua dr at ic   S VM  a nd  the   PC A,  with acc ur acy   of  87. 5%. F or  each class  we have  the R OC  curve.  In this   m od el  w e h a ve  for :   1.   The  healt hy  co ntr ol:  we  hav e   44   we re  co rr e ct ly   cl assifi ed,   11   we re  m isc l assifi ed  (all   as  in  early   sta ge),   with a  pe rcen ta ge of  80% t ru e  posit ive r at e;   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Voice Asse ssme nts for  D et ect ing   Patie nts  wi th P ar ki nso n’ s   …. ( Elmeh di Be nmalek)   4269   2.   The  ea rly   sta ge   cl ass:  we  ha ve   16 4  we re  c orrectl y  cl assifi ed,   12  wer e  m isc la ssifie d  ( 3  a s   healt hy,  a nd  11   as interm ediat e stage) , wit h  a  per ce ntage  of t ru e  posit ive  rate 9 2%;   3.   The  interm ediat e  sta ge  cl ass:  we  ha ve  106  w ere  co rr ect ly   cl assifi ed,  12  we re  m isclassifie d  ( 11  as  in  ea rly   sta ge,   a nd  1  as  adv a nce d  sta ge )  wit h  a  per ce nt age of 9 0%  tr ue posi ti ve  rate ;   4.   The  ad va nce d  sta ge  cl ass: we  h ave  14   we re co r rectl y cl assif ie d,   10   we re mi scl assifi ed  (1  as in  early  st ag e   and 9 as i n  inte rm ediat e stage,) , wit h  a  p e rce ntage o f 58 %  tru e  posit ive  rate.       Table  3 .   Re s ults usi ng qua dr at ic  SV M   Confus i on m atr ix     ROC cu r ve   Cl ass 1   Cl ass 2   Cl ass 3   Cl ass 4                 3.3.   Obtained  resu lts usin g  cu bic  kernel    The  T a ble  4  re pr ese nt  the  obta ined  resu lt s  of  cl assifi cat ion  us in g  the  c ubic   SV M,  a nd  se le ct ing   the   m or e  releva nt  by  the   PC A,   w it h  accu racy  of  85. 1%.  F or  ea ch  cl ass   we   ha ve  t he  R OC  c urve .  In  this  m od el   we  hav e  for :   1.   The  healt hy  co ntr ol:  we  hav e   41   we re  co rr e ct ly   cl assifi ed,   1 4  we re  m isc l assifi ed  (all   as  in  early   sta ge),   with a  pe rcen ta ge of  75% t ru e  posit ive r at e;   2.   The  ea rly   sta ge   cl ass:  we   ha ve  166  we re  c orrectl y  cl assifi ed,   1 4  we re  m isc la ssifie d  ( 4   as  healt hy,   an d  8  as interm ediat e stage) , wit h  a  per ce ntage  of t ru e  posit ive  rate 9 3%;   3.   The  interm ediat e  sta ge  cl ass:  we  ha ve  104  w ere  co rr ect ly   cl assifi ed,  14  we re  m isclassifie d  (all   as  in  ea rly   sta ge)   with a  percenta ge of  88% tr ue p os it iv e rate;   4.   The  a dv a nce d  sta ge  cl ass:  we   hav e  8  wer e  c orrectl y  cl assifi ed,   16  wer e  m isc la ssifie d  as  in  interm ediat e   sta ge,   with a  percenta ge of  33% tr ue p os it iv e rate.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4265   -   4271   4270   Table  4.  Res ults usi ng cubic S VM   Confus i on m atr ix     ROC cu r ve   Cl ass 1   Cl ass 2   Cl ass 3   Cl ass 4                 Fr om   al l  pr ev iou s  res ults,  it   is  seen  t hat  the  m axi m u m   cl assifi cat ion  accuracy  of  92.5%  wa s   achieve d  us i ng  the  li near   S VM.   Com par e d  with  pr e vious  stu dies  do ne ,  the  pro pose d  m et ho d  gi ve   bette r   resu lt s  t han  the   cepstral   analy sis  ap proac h  ( 86. 7%)  [ 12] ,  bu t  this  fi nd i ng s   cou l d  be  im pr oved   by  us i ng  f eat ur e   sel ect ion   al gor it h m   ded ic at ed   for  m ulti cl ass   cl assifi cat ion   and   c om bin ig  th e  voic e  featu res  with  t he  ce ps tral   analy sis  wh ere   a  scor e  of   96 %  has  been   ac hieve d  in  [11],   bu t  the  appr oa ch  was  m or e  com plex  than  the  one  pro po se d  i n  th is  stud y.   T he  resu lt s  s how   a lso  that  t he  fe at ur e  sel ect io n  play   crit ic al   r ole  in  cl assifi cat ion  op ti m iz ation .  And  the  m isc lassificat ion   is  e xp la ine d  by  th e  relat ive  m erits  of   t he  UPDR S  scal e  for  acc ur at el y  determ ining   th e  degree  of  d is ease  progressi on.  The  purpos e  of   this  stu dy  is  to  sh ow  the  eff ect ive ness  of  us in g  vo ic e  rec ordi ng  to  cl assify   people  with  P a rk i ns on ’s  dis ease  by  the  sever it y  of   sym pto m s  us ing   only   19  featur e s.       4.   CONCL US I O N   Cl inici ans  and  vo ic e  path ologist s  ha ve  bec om e  pr ogressi vely   watch fu l  to  any  te ch niques,  wh i c h  m igh t  pro vid e   sup plem entary  inf or m at ion   to  he lp  t hem   i n  th e  e valuati on  an d  the  dia gnos is  of  P D.  In  this   pap e r,  we   pres ented  ne w  te c hn i qu e   that  ca n  se par at e  bet wee n  healt hy  people  a nd  P D  patie nts  at   diff e re nt  sever it y  sta ges   base d  on  vo ic e  featu res.   As  a  resu lt ,  we  ac hieve d  92.5 %  of   acc uracy   usi ng   li nea r  S V M  an d  the  PCA.  T he  r esults  sh ow  al s o  that  the  featu re  sel ect ion   pla y  crit ic al  ro le   in  cl assifi cat ion  op ti m iz at i on .  And  the  m isc la ssifi ed  sam ples  ar e  us ually   m in gled  with  the  near est   cl ass,  wh ic h  cl inica lly  exp la ined  by   the  relat ive  m eri ts  of   the  UPDRS  scal e  for  accuratel y  deter m ining   the  de gr ee  of   diseas e  progressi on.   These   resu lt s  are  very   encour a ging ,  in  f uture  w orks  we  co ns i der   to  determ i ne  co rr el at io n  betwee n  the  vo ic e   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Voice Asse ssme nts for  D et ect ing   Patie nts  wi th P ar ki nso n’ s   …. ( Elmeh di Be nmalek)   4271   disorde rs  an d  the  sym pto m s,  wh ic h  will   be  of   great   help  t o  the  m edici ne  and   co uld   al s o  exten de d  f or  oth er   vo ic e  path ol ogie s.       ACKN OWLE DGE MENTS     These  Dataset s  wer e  generat ed  thr ough  c ollaborat ion   bet ween   Sage  Bi on et wor ks ,  Pat ie ntsLikeMe   a nd   Dr.  Ma x  Lit tl e  as  par t  of   t he  Pa ti ent  Vo ic e  A naly sis  stud y  ( PVA).   They  wer e  obta ined   thr ough  Syna ps e  I D   [ syn 232174 5 ].       REFERE NCE S     [1]   M.  A.  Li t tl e ,   et  al. ,   “ Suita bi li t y   of  d y sphon ia   m e asure m ent s  for  t el emon it or ing  of   Parkinson' s   dise ase ,”   B iomedi ca l  Engi ne ering, IEEE  Tr ansacti ons   on ,   vol/ issue :  56 ( 4 ),   pp .   1015 -   1 022 ,  2009 .   [2]   A.  Ho,  et   a l. ,   “ Speec h   impairme nt  in  a  la rg e  sa m ple   of  pa ti en ts  with  Pa rk inson’s  disea se ,”   Be ha vi oral  Neurolog y ,  vol.   11 ,   pp .   131 – 137 ,  1998 .   [3]   J.  A.  Loge m ann ,   et   a l. ,   “ Freque nc y   and  co - o cc u rre nce   of   vocal - t rac t  d y sfunc ti on s  in  spee ch  of  a   la r ge  sam ple   o f   Parkinson  patien ts ,”   Journal  o f  S pee ch   Hearing  Disor der ,  vol.  4 3,   pp .   47 – 57 ,  19 78.   [4]   D.  A.  Rahn ,   et   a l. ,   “ Phonator y   i m pai rm ent   in  Pa rkinson’s  disea se:  Ev ide n ce   fro m   nonli nea r  d y n amic  an aly sis  a n d   per turbation anal y sis , ”  J .   Voice ,   v ol.   21 ,   pp .   64 - 71 ,   2007 .     [5]   V.  Parsa  and  D.  G.  Jam ie son,  “ In te ra ct ions b et we en  spee ch  code rs   and  d isorder ed  spee ch , ”  Spe ec h  Comm unic ati on ,  vol /i ss ue:   40 ( 7 ) ,   pp.   365 – 385 ,   20 03 .   [6]   S.  B.   Davis,   “ Ac oustic   ch aract er i stic s  of  norm al   a nd  pat hologica l  voic es, ”  Spe ec h  and  Language:  Adv anc es  inB asi c  Re search  and   Pr act i ce ,   vol .   1 ,   pp .   271 – 335 ,   1979 .   [7]   R.   Das,   “ A  compari son  of  m ulti ple   cl assifi ca t ion   m et hods  for  di a gnosis  of  Parkin son  disea se, ”   Expert  Syst ems  wit h   Appl ic a ti ons ,   vo l/ issue:  37 (2) ,   pp .   1568 – 1572 ,  20 10.     [8]   A.  Tsana s,   et   a l. ,   “ Novel  spee ch  signal   p roc e ss ing  al gorit hm s  for  high - accur acy   c la ss ifica t io n  of  P ark inson's  disea se ,”   I EE E   T rans act ions o n  B iomedi ca l  Eng in ee ring ,  vol/is sue:  59(5) ,   pp.   1264 - 1271 ,  2012 .   [9]   M.  A.  L it t le ,   et  al. ,   “ Expl oiting  nonli ne ar  re cur r enc e   and  fr acta l   sca li ng   prope r ti es  for  voice  d isorder   de te c ti on , ”  Bi omed. E ng .   O nli ne ,   2007 .       [10]   P.  Zwirne r ,   et   a l . ,   “ Phonator y   fu nct ion  of  n eur ol ogic a lly   impair e d  pat i ent s ,”   Jour nal  of  communic ati on  disorders ,   vol/ issue:  24 ( 4 ),  pp.   287300 ,  199 1 .   [11]   E.  Benmale k ,   et   al. ,   “ Multi cl ass  cl assifi ca t ion  of  Parkinson’s  disea se  using  diffe re nt  cl assifi ers  and  LL BF S  fea tur e   sele c ti on  al gor ithm ,”   Int ernati on al  Journal   of   Sp ee ch   Techno logy ,  vol /i ss ue:  20(1) ,   pp .   179 - 184 ,  2 017.     [12]   E.  Benmal ek,   et   al. ,   “ Multi class   cl assifi ca t ion  of  Parkinson’s  disea se  using  ce pstr a l  ana l y sis ,”   Int ernati onal  Journal   of  Spe ec h   Techn ology ,   pp.   1 - 11 ,  2017.   [13]   Pati ent Voice  A naly s is ( PV A) Sy napse   ID:   s y n2 321745  htt ps:/ /www . sy n apse . o rg,    [14]   V.  J .  Phi li ppe ,   et al . ,   “ Kerne l  Me t hods i n  Com put at ion al   B iol og y ,”   MIT  Pr ess,  Ca m bridge ,   2004 .   [15]   M.  Farrús,  et al . ,   “ Jitt er   and  shim m er  m ea surem ent s for  spe ake r   r ec ogni ti on ,”   INT ER SP EE CH ,   20 07.     [16]   R.   A.  Shirvan  and  E.   Ta hami ,   “ Voice   anal y s is  for  det ecting  Par kinson' s  disea se  using  gene ti c  a l gorit hm   and  KNN   cl assifi ca t ion  m e thod ,”   Bi om edi c al  Eng ine ering   ( ICBME ) ,   2011  1 8th  Iranian  Con f ere nce of.  I EE E ,   2011 .   [17]   H.  Kant z   a nd   T .   Schre ibe r ,   “ Nonl ine ar   ti m e   serie s   ana l y sis, ”   C ambridge  Univ er sit y   Press ,   2nd  ed it io n,   2004 .   [18]   M.   A.  Li t tl e ,   e t  a l. ,  “ Expl o it ing  N onli ne ar  Rec urr e nce   and  Fra ct a l S ca li ng  Propert i es  for  Voice   Dis orde r  Detect ion , ”  Bi omedi cal   Enginee ring Onl ine ,   vol /i ss ue:   6(23),  2007.   [19]   L.   Cnockaert ,   et  al. ,   “ Low  fre quency   vo cal  m o dula ti ons  in  vowels  produc ed  b y   Parkinsonia n   subjec ts,”   Spe e ch   Comm unic ati on ,  v ol. 50, pp. 288 - 300,   2008 .   [20]   Z.   Ch en,   et   a l. ,  “ Eff ect  of  nonst ationar ities  on  d etrende d  f luc tu at i on  ana l y sis , ”   Ph ysic al  Revie w   E ,  v ol /i ss ue:   65(4) ,   pp.   041107 ,   200 2 .   [21]   Guéri f  S. ,   “ Réduc ti on  de  dimen sion  en  appr ent i ss age   num éri que  non  supervisé e ,”   PhD   the sis,  U nive rsit é  Paris  13 ,   p p.   420   148 ,  200 6 .   [22]   Ferc hic h i  S .  E . ,  et   al . ,   “ Feat ur e  select ion  usin g  an  SV M  le ar ning  m ac hine s ,”   Proce ed ings  of  the   422  3rd   Inte rnational   Co nfe renc e  on   Sign als,  Circu it s and   Syste ms   ( SCS  2 009) ,   pp.   1 - 6 ,  20 09 .   [23]   A.  Benba,  e t  al . ,   “ Voice   assess m ent s  for  det e cting  patient s  wi t h  Parkinso n’s  disea ses  using  PC A  and  NP CA ,”   Inte rnational   Jo urnal  of  Sp eech T ec hn ology ,  vo l/is sue:  19(4),  pp.   743 – 75412 ,  201 6 .   Evaluation Warning : The document was created with Spire.PDF for Python.