Diagnosi precoce del morbo di Parkinson tramite analisi del segnale vocale rilevato con microfono in aria e microfono a contatto = Early diagnosis of Parkinson's disease through the analysis of the vocal signal collected with microphone in air and contact microphone

Il Parkinson è una malattia neurodegenerativa con evoluzione lenta ma progressiva, che coinvolge principalmente il sistema motorio con evidenti sintomi quali tremore, rigidità e blocchi nel cammino. Tuttavia, oltre a questi effetti, si riscontrano difficoltà in ambito comunicativo, in quanto il paziente perde il pieno controllo dell’apparato fonatorio, mostrando affievolimento della voce, articolazione indistinta e ripetizioni incontrollate. Negli ultimi anni si è diffusa l'analisi oggettiva della qualità del segnale vocale grazie alla disponibilità di dispositivi indossabili in grado di monitorare i soggetti durante le loro normali attività. Ciò ha permesso di identificare tecniche per la diagnosi di patologie a carico dell’apparato fonatorio. Durante l’attività di tesi, tale metodologia è stata applicata a pazienti affetti dalla malattia di Parkinson al fine di individuare modelli per una diagnosi precoce della patologia. La prima parte del lavoro svolto è consistita nell’acquisizione di campioni vocali di soggetti affetti dalla malattia di Parkinson. Durante questa fase sono stati sottoposti a monitoraggio 22 pazienti presso l’ambulatorio Parkinson della Città della Salute di Torino. Le registrazioni sono state effettuate in un ambiente non isolato acusticamente, tramite un microfono in aria ed un microfono a contatto, seguendo un protocollo ben definito: ripetizione di tre vocali sostenute ‘a’, ripetizione dei fonemi pa/ta/ka, lettura di un brano foneticamente bilanciato (circa un minuto) e eloquio spontaneo (circa un minuto). Nella seconda parte, i segnali acquisiti sono stati elaborati tramite script Matlab appositamente sviluppati per estrarre indicatori dello stato vocale dei soggetti monitorati. I parametri estratti permettono di valutare la stabilità in frequenza (jitter) e in ampiezza (shimmer) delle vocali sostenute, oltre che la qualità del segnale sia per la vocale ‘a’ sia per l’eloquio spontaneo tramite parametri specifici, quali HNR (Harmonics to Noise Ratio) e CPPS (Cepstral Peak Prominence Smoothed). Per le vocali sostenute acquisite tramite microfono in aria e per l’eloquio spontaneo acquisito con entrambi i microfoni, è stata effettuata una selezione dei parametri più significativi attraverso l’analisi della matrice di correlazione. I parametri così individuati sono stati analizzati attraverso l’applicativo Matlab ‘Classification Learner’ al fine di identificare due classificatori (regressione logistica e coarse tree) in grado di discriminare soggetti sani da parkinsoniani. Per la vocale sostenuta acquisita con il microfono in aria si è ottenuta la migliore accuratezza con il modello del coarse tree (92%) considerando i parametri PPQ, shimmer e CPPS skewness, paragonabile a quella ottenuta con il modello di regressione logistica (88%) con i parametri jitter, PPQ, shimmer e CPPS 5°perc. Le accuratezze ottenute per l’eloquio con i due microfoni risultano simili tra di loro: 95% con il modello del coarse tree (CPPS moda, CPPS range, CPPS kurtosis) e 79% con il modello di regressione logistica (HNR, CPPS media, CPPS kurtosis) usando il microfono in aria, 92% con il modello del coarse tree (F0, voiced/unvoiced ratio, CPPS kurtosis) e 76% con il modello di regressione logistica (voiced/unvoiced ratio, CPPS range) usando il microfono a contatto. Questo lavoro di tesi si pone alla base di uno studio il cui obiettivo futuro è migliorare i modelli di analisi identificati attraverso l’incremento del database dei soggetti.