view in publisher's site

Voice assessments for detecting patients with Parkinson’s diseases using PCA and NPCA

In this study, we wanted to discriminate between two groups of people. The database used in this study contains 20 patients with Parkinson’s disease and 20 healthy people. Three types of sustained vowels (/a/, /o/ and /u/) were recorded from each participant and then the analyses were done on these voice samples. Firstly, an initial feature vector extracted from time, frequency and cepstral domains. Then we used linear and nonlinear feature extraction techniques, principal component analysis (PCA), and nonlinear PCA. These techniques reduce the number of parameters and choose the most effective acoustic features used for classification. Support vector machine with its different kernel was used for classification. We obtained an accuracy up to 87.50 % for discrimination between PD patients and healthy people.

ارزیابی صدا برای تشخیص بیماری پارکینسون با استفاده از PCA و NPCA

در این مطالعه، ما می‌خواهیم بین دو گروه از مردم تمایز قائل شویم. پایگاه‌داده مورد استفاده در این مطالعه شامل ۲۰ بیمار مبتلا به پارکینسون و ۲۰ فرد سالم است. سه نوع مصوت پایدار (/ a /، / و / u /)از هر شرکت‌کننده ثبت شد و سپس آنالیزها بر روی این نمونه‌ها انجام شد. ابتدا، بردار ویژگی اولیه استخراج‌شده از حوزه زمان، فرکانس و نویز طیفی استخراج شد. سپس از تکنیک‌های استخراج ویژگی خطی و غیر خطی، تجزیه به مولفه‌های اصلی (PCA)و PCA غیر خطی استفاده کردیم. این تکنیک‌ها تعداد پارامترها را کاهش می‌دهند و موثرترین ویژگی‌های آکوستیکی که برای طبقه‌بندی استفاده می‌شود را انتخاب می‌کنند. ماشین بردار پشتیبان با هسته متفاوت آن برای طبقه‌بندی استفاده شد. ما دقت تا ۸۷.۵۰ درصد برای تبعیض بین بیماران PD و افراد سالم را بدست آوردیم.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.