Abordagem de aprendizado profundo para classificação de Parkson por meio de sinais de voz

Abstract

A doença de Parkinson é um distúrbio neurológico progressivo que afeta o cérebro. O desenvolvimento de sistemas especializados capazes de diagnosticar automaticamente e com alta precisão estágios iniciais da doença de Parkinson com base em sinais de fala representaria uma contribuição importante para o setor de saúde. Para isso, foram aplicadas a três conjuntos de dados com características próprias para um mais amplo estudo dos casos, técnicas de aprendizado de máquina. Dois desses conjuntos de dados foram analisados utilizando os métodos clássicos como a regressão logística, máquina de vetores de suporte , k-ésimo vizinho mais próximo, floresta aleatória, árvore de decisão, Naive Bayes e XGBoost, e um com a utilização de aprendizado de máquina com séries temporais, utilizado técnicas de aprendizado profundo como a rede neural convolucional e a rede neural recorrente, após o treino o modelo com o melhor desempenho foi selecionado para cada dataset. Os resultados revelaram que o modelo que teve um desempenho melhor nos dois conjunto de dados que utilizaram aprendizado de máquina clássico foi a Regressão Logística, e no aprendizado profundo foi a Rede Neural Convolucional. Os resultados obtidos revelaram uma acurácia de classificação de 92.31% e 86.84% para os dois conjuntos de dados, o que evidencia a capacidade de obter resultados excelentes mesmo com um conjunto limitado de dados. Além disso, foram observadas precisões de 91.43% e 86.72%, recalls de 100.00% e 97.37%, e F1-Scores de 95.52% e 91.74%. Esses valores corroboram a qualidade dos resultados alcançados. Por sua vez, a Rede Neural Convolucional apresentou uma acurácia de classificação de 86.69%, precisão de 86.83%, recall de 88.20% e F1-Score de 87.51%, mesmo com um número reduzido de épocas de treinamento. Isso evidencia a eficácia desse modelo como uma alternativa valiosa para a classificação. Esses resultados indicam que as classificações terão um papel significativo no avanço do setor médico. É importante ressaltar a relevância de uma análise cuidadosa na escolha do modelo a ser utilizado, pois diferentes conjuntos de dados podem apresentar resultados mais favoráveis em modelos distintos.

Parkinson’s disease is a progressive neurological disorder that affects the brain. The development of specialized systems capable of automatically and with high accuracy diagnosing early stages of Parkinson’s disease based on speech signals would represent an important contribution to the healthcare sector. To this end, machine learning techniques were applied to three sets of data with specific characteristics for a broader study of the cases. Two of these data sets were analyzed using classical methods such as logistic regression, support vector machine, k-th nearest neighbor, random forest, decision tree, Naive Bayes and XGBoost, and one using machine learning with time series, using deep learning techniques such as the convolutional neural network and the recurrent neural network, after training the model with the best performance was selected for each dataset. The results revealed that the model that performed best on the two datasets that used classical machine learning was Logistic Regression, and in deep learning it was Convolutional Neural Network. The results obtained revealed a classification accuracy of 92.31% and 86.84% for the two sets of data, which highlights the ability to obtain excellent results even with a limited set of data. Furthermore, accuracies of 91.43% and 86.72%, recalls of 100.00% and 97.37%, and F1-Scores of 95.52% and 91.74% were observed. These values corroborate the quality of the results achieved. In turn, the Convolutional Neural Network presented a classification accuracy of 86.69%, precision of 86.83%, recall of 88.20% and F1-Score of 87.51%, even with a number reduced training times. This highlights the effectiveness of this model as a valuable alternative for classification. These results indicate that rankings will play a significant role in advancing the medical sector. It is important to highlight the importance of careful analysis when choosing the model to be used, as different sets of data may present more favorable results in different models.