تحلیل سیگنال گفتار بیماران آلزایمری فارسی‌زبان

آلزایمر یک نوع اختلال عملکرد مغزی است که به‌تدریج توانایی‌های ذهنی بیمار تحلیل می‌رود؛ ازجمله علائم اولیه این بیماری فقدان حافظه، اختلال در تصمیم‌گیری و اشتباه در انتخاب واژگان درست است؛ بنابراین، پردازش سیگنال گفتار این بیماری توجه بسیاری از پژوهشگران را در دهه اخیر جلب کرده است. تشخیص بیماری آلزایمر با استفاده از سیگنال گفتار به فرهنگ و زبان و محتوای گفتار، جنسیت، سن، لهجه و بسیاری از عوامل دیگر وابسته است؛ ازاین‌رو، سیگنال گفتار بیماران آلزایمری در زبان‌های مختلف بررسی شده است. هدف این مقاله تشخیص بیماران آلزایمری از افراد سالم با استفاده از پردازش سیگنال گفتار آنها در زبان فارسی با ترکیب ویژگی‌های زمانی، فرکانسی و زمانی فرکانسی است. در این مقاله پس از پیش‌پردازش سیگنال گفتار فارسی با بهره‌گیری از بسته موجک، به‌عنوان ویژگی زمان فرکانس در کنار ضرایب کپسترال فرکانس مل، نرخ عبور از صفر، افت طیف، پهنای باند، انرژی سیگنال و فرکانس مرکز طیفی، ویژگی‌های سیگنال گفتار بیماران آلزایمری و افراد سالم استخراج شدند و دقت طبقه‌بندی نتایج با ماشین بردار پشتیبان، نتیجه 96% را دربرداشت. نتایج پذیرفتنی نشان‌دهنده الگوریتم پیشنهادی غیرتهاجمی و کم‌هزینه در تشخیص بیماران آلزایمری فارسی‌زبان است.

Alzheimer Speech Signal Analysis of Persian speaking Alzheimer’s patients

Alzheimer’s is a type of brain dementia that gradually reduces mental abilities of the patient. The lack of memory, decisionmaking disorder, and mistakes in choosing the correct vocabulary are the early symptoms of Alzheimer’s disease. Therefore, extensive studies have been conducted on the diagnosis of Alzheimer’s disease using the noninvasive speech signal recognition method. Identifying of Alzheimer’s disease is dependent on culture and language, speech content, gender, age, accent, and many other factors. Therefore, Alzheimer’s speech signal has been studied in various languages. The purpose of this paper is to recognize Alzheimer’s patients from healthy people by the use of their speech signal processing in Persian using the combination of time, frequency, and frequencytemporal features. In this paper, after preprocessing, the speech features extracted using the wavelet packet as a frequencytemporal feature next to Mel frequency Cepstral coefficients, zero crossing rate, spectral roll off, band width, root mean square and spectral centroid frequency. Finally, the extracted features have been classified by the support vector machine which achieves recognition precision of 96% on Persian healthy and Alzheimer’s speaker experiments. The acceptable results demonstrate the applicability of the proposed noninvasive and lowcost algorithm for the diagnosis of Persianspeaking Alzheimer’s patients.