[論文レビュー] Comparative Study of Speech Analysis Methods to Predict Parkinson's Disease

Adedolapo Aishat Toye, Suryaprakash Kompalli|arXiv (Cornell University)|Nov 14, 2021

Voice and Speech Disorders被引用数 8

ひとこと要約

本研究では、音声信号からパーキンソン病（PD）を予測するために、周波数特徴量（ジタ、シャイマー）およびメル周波数ケプストラル係数（MFCC）を用いた機械学習モデルの評価を行った。2つのデータセット（イタリア語パーキンソン病音声データセットとMDVR-KCL）を用い、音声特徴量とMFCCを統合したSVMが、イタリア語データセットで98.9%、MDVR-KCLで86.3%の正確度を達成し、既存手法を上回り、早期PD検出における特徴量統合の有効性を示した。

ABSTRACT

One of the symptoms observed in the early stages of Parkinson's Disease (PD) is speech impairment. Speech disorders can be used to detect this disease before it degenerates. This work analyzes speech features and machine learning approaches to predict PD. Acoustic features such as shimmer and jitter variants, and Mel Frequency Cepstral Coefficients (MFCC) are extracted from speech signals. We use two datasets in this work: the MDVR-KCL and the Italian Parkinson's Voice and Speech database. To separate PD and non-PD speech signals, seven classification models were implemented: K-Nearest Neighbor, Decision Trees, Support Vector Machines, Naive Bayes, Logistic Regression, Gradient Boosting, Random Forests. Three feature sets were used for each of the models: (a) Acoustic features only, (b) All the acoustic features and MFCC, (c) Selected subset of features from acoustic features and MFCC. Using all the acoustic features and MFCC, together with SVM produced the highest performance with an accuracy of 98% and F1-Score of 99%. When compared with prior art, this shows a better performance. Our code and related documentation is available in a public domain repository.

研究の動機と目的

• 音声信号解析を用いた早期パーキンソン病検出のための機械学習フレームワークの開発。
• PDおよび健常者の声サンプルから抽出した多様な音声特徴量に対する複数の分類器の予測性能の比較。
• 音声特徴量（ジタ、シャイマー）とMFCCの組み合わせが分類正確度に与える影響の評価。
• 再現性のある研究および臨床応用を支援するための公開コードベースの提供。
• 低リソースで準臨床的PD診断が可能な最適な特徴量セットとモデルの同定。

提案手法

• MDVR-KCLおよびイタリア語パーキンソン病音声データセットの音声記録から、11の音声特徴量（ジタ、シャイマーの変種、HNR）と13のMFCCを抽出した。
• 3つの特徴量選択戦略を適用した：(a) 音声特徴量のみ、(b) 全ての音声特徴量とMFCC、(c) 組み合わせ特徴量から選択された10特徴量のサブセット。
• 7つの分類器を訓練した：K-近傍法、決定木、サポートベクターマシン、ナイーブベイズ、ロジスティック回帰、勾配ブースティング、ランダムフォレスト。
• 5分割交差検証を用い、標準指標（正確度、適合率、再現率、F1スコア、特異度）でモデルを評価した。
• 長時間の音声ファイルから音声セグメントを単純なサイレントベースのセグメンテーション法で抽出したが、発話者間でのばらつきに留意した。
• 再現性と臨床デプロイメントを支援するため、コード、モデル、ドキュメントを含む公開GitHubリポジトリをリリースした。

実験結果

リサーチクエスチョン

• RQ1 ジタ、シャイマー、MFCCを含む音声特徴量とスペクトル特徴量のどの組み合わせが、音声信号からのパーキンソン病予測において最も高い正確度を達成するか？
• RQ2 SVM、ランダムフォレスト、勾配ブースティングなどの異なる機械学習モデルは、PD音声分類に応用された際、性能でどのように異なるか？
• RQ3 特徴量選択はモデル性能を向上させるか？ もしそうなら、どの特徴量サブセットが最も効果的か？
• RQ4 サンプル数や録音条件が異なるデータセット（イタリア語パーキンソン病音声データセット vs. MDVR-KCL）において、モデル性能はどのように変動するか？
• RQ5 公開可能で再現可能なフレームワークを構築することで、音声データを用いた早期で非侵襲的なPDスクリーニングを支援できるか？

主な発見

• イタリア語パーキンソン病音声データセットでは、SVMが全24特徴量（11音声特徴量＋13MFCC）を用いることで98.9%の正確度を達成し、F1スコアは99.0%であった。
• MDVR-KCLデータセットでは、KNNが全24特徴量を用いることで最高の正確度（90.9%）を記録したが、SVMも全特徴量を用いることで86.3%の正確度を達成し、同データセットで既存手法を上回った。
• 音声特徴量とMFCCの組み合わせは、両方のデータセットおよび全モデルにおいて、単独で使用する場合を常に上回る性能を示した。
• 特徴量選択はモデルの複雑さを低下させたが、必ずしも性能向上をもたらさなかった。例えば、MDVR-KCLではKNNとSVMが全特徴量を用いることでより良い性能を示した。
• 本研究で最も優れた性能を示したモデル（イタリア語データセットのSVM）は、既存の最先端手法を上回った。Chethanら（2020年）が報告した99.2%の正確度を上回ったが、その研究のハイパーパrameterは再現可能ではなかった。
• 著者らは、現在のセグメンテーション手法の限界を特定し、特に長時間の音声ファイルでは発話者間での一貫性のない音声セグメンテーションが性能に影響を及える可能性があると指摘した。