Discriminazione tra soggetti sani e parkinsoniani attraverso l’elaborazione del segnale vocale rilevato tramite microfono in aria e microfono a contatto = Discrimination between healthy and Parkinsonian subjects through the processing of the vocal signal detected by microphone in air and contact microphone

Il Parkinson è una malattia neurologica neurodegenerativa, i cui principali effetti sono i disturbi del movimento, quali rigidità, bradicinesia e tremore. Tuttavia, negli ultimi anni si sta intensificando l’analisi della correlazione tra la malattia del Parkinson e l’alterazione di specifici parametri relativi al segnale vocale. L’attività della presente tesi si colloca in questo ambito, ponendosi l’obiettivo di sviluppare algoritmi che permettano di distinguere una voce “sana” da una voce “Parkinsoniana”. Gli algoritmi così individuati potrebbero essere applicati in futuro a dispositivi indossabili in grado di monitorare i soggetti Parkinsoniani e stimare l’efficacia delle terapie in atto. Durante la prima fase dell’attività di tesi è stato acquisito il segnale vocale di 22 soggetti Parkinsoniani presso l’ambulatorio Parkinson dell’ospedale Molinette di Torino. Ai soggetti monitorati è stato chiesto di seguire un protocollo della durata di circa cinque minuti che prevedeva la ripetizione di tre vocali sostenute /a/, la ripetizione dei fonemi /pa/ta/ka, la lettura di un brano foneticamente bilanciato ed un eloquio spontaneo. Durante la fase di acquisizione, ad ogni soggetto è stato fatto indossare un microfono a contatto a giro collo ed un microfono in aria a guancia. Durante la seconda fase, i segnali relativi alle vocali /a/ acquisite con il microfono a contatto ed alla lettura del brano acquisiti mediante i due diversi microfoni sono stati elaborati con uno script Matlab appositamente sviluppato. Tale script ha permesso di estrarre parametri nel dominio del tempo, quali jitter e shimmer, nel dominio della frequenza (Harmonic-to-Noise-Ratio: HNR) e nel dominio della quefrency (Cepstral-Peak-Prominence-Smoothed: CPPS). Una volta ottenuti questi parametri, è stata eseguita la terza fase, che è consistita nella selezione dei parametri più significativi e nell’identificazione di classificatori di voci sane e Parkinsoniane. Utilizzando la matrice di correlazione sono stati inizialmente esclusi i parametri ridondanti individuandone così un primo sottoinsieme, dal quale sono stati estratti i parametri rilevanti attraverso l’applicativo Matlab “Classification Learner”. Per ciascun tipo di materiale vocale analizzato sono stati costruiti due modelli di classificatore basati sugli algoritmi Coarse Tree e regressione logistica. Per la vocale sostenuta acquisita tramite microfono a contatto si è ottenuta un’accuratezza del 90% con l’algoritmo Coarse Tree, mentre l’accuratezza ottenuta con la regressione logistica è del 84%. Per la lettura del brano, attraverso il microfono a contatto l’algoritmo Coarse Tree ha permesso di avere un’accuratezza del 95% rispetto alla regressione logistica che ha mostrato un’accuratezza del 76%. Per la lettura del brano registrato attraverso il microfono in aria l’algoritmo Coarse Tree ha fornito un’accuratezza del 89%, a differenza della regressione logistica che ha mostrato un’accuratezza del 75%. Come ci si aspettava, avendo acquisito i segnali in un ambiente affetto da rumore il microfono a contatto mostra prestazioni superiori in termini di accuratezza rispetto al microfono in aria poiché poco influenzato dal rumore di fondo. Questo lavoro di tesi si pone alla base di un progetto futuro, che per consolidare i risultati ottenuti richiederà l’estensione del data set.