Sintesi di segnali vocali e classificazione pesata di pazienti affetti da Parkinson = Synthesis of speech signals and weighted classification of patients with Parkinson's disease

L'elaborazione del segnale vocale permette di ottenere importanti informazioni che possono essere utilizzate per la diagnosi di patologie legate all'apparato fonatorio, come il morbo di Parkinson. La malattia di Parkinson (PD) è una malattia neurodegenerativa che produce prevalentemente sintomi motori, che possono influenzare anche le capacità comunicative del paziente. Presso il DET del Politecnico di Torino si sta sviluppando un progetto che ha come obiettivo la realizzazione di un dispositivo indossabile che fornirà informazioni preziose per il medico, sia per una diagnosi precoce sia per valutare l'efficacia della terapia nei soggetti affetti dalla malattia di Parkinson. In questo lavoro di tesi è proposto un algoritmo di classificazione pesato basato sulla stima dell'errore dell'algoritmo di estrazione delle features che potrebbe essere utilizzato nel progetto. I segnali vocali forniti sono stati registrati durante la ripetizione di 3 vocali sostenute /a/ da parte di 57 soggetti sani (HE), da 67 pazienti con patologie del tratto vocale e non affetti da Parkinson (PA) e da 46 pazienti con il morbo di Parkinson (PD). Dato che il dataset fornito è risultato essere sbilanciato per quanto riguarda l'età dei soggetti (i PD hanno un'età media maggiore rispetto ad HE), è stato deciso di selezionare 10 soggetti da ogni classe per ottenere un dataset bilanciato nell'età. L'elaborazione del segnale vocale ha permesso di estrarre parametri per valutare la stabilità in frequenza e in ampiezza, rispettivamente jitter e shimmer, e parametri per quantificare la qualità del segnale, come HNR e CPPS. Tramite una simulazione Monte Carlo con l'algoritmo di Metropolis-Hastings sono state generate sequenze di periodi, ampiezze e CPPS noti che sono state utilizzate per la produzione di vocali artificiali seguendo il metodo dello pseudo-periodo candidato, il metodo del "liftering", il metodo di ricampionamento dei periodi originali ed il metodo di trasformazione del cepstrum. Per ogni singola ripetizione della vocale sostenuta /a/ eseguita dal soggetto, l'algoritmo ha generato 10 nuove vocali sostenute /a/ artificiali. I segnali di questo dataset esteso hanno permesso di stimare l'errore dell'algoritmo di estrazione delle features. Inoltre, calcolando i parametri descritti precedentemente dai nuovi segnali artificiali, è stato possibile aumentare la numerosità del subset fornendo contemporaneamente una stima dell'errore di misura. Il nuovo dataset è stato utilizzato per la classificazione pesata che permette di discriminare HE vs PD e PA vs PD. In particolare, utilizzando la regressione logistica pesata e propagando gli errori stimati, l'algoritmo implementato ha permesso di ottenere una stima della classificazione con un intervallo di fiducia del 95%. La classificazione ha fornito accuratezze fino all'85% nel discriminare le voci nella malattia di Parkinson dalle voci sane.