2018 – Projet n°100 – Utilisation des « Deep Bottleneck Features » (DBF) pour la détection précoce de la maladie de Parkinson

Ce projet est réalisé par BASTIANUTTI Carla et JAMALI Mehdi.

La maladie de parkinson est une maladie neurologique chronique dégénérative affectant le système nerveux
humain, et provoquant des pertes de contrôle de la motricité. Ses symptômes principaux sont :
• Des tremblements musculaires (mains, pieds, menton)
• L’akinésie ou bradykinésie (impossibilité d’effectuer des mouvements d’origine neurologiques et non
musculaires)
• La rigidité musculaire, la perte de souplesse des membres
• L’amaigrissement, des troubles de la parole, de l’écriture, l’incontinence ...
Elle est causée par une perte de neurones dans une zone précise du cerveau appelée la substance noire. Les
neurones de cette zone sécrètent un neurotransmetteur (un message chimique) appelé la dopamine, dont
l’absence est donc responsable des signes de la maladie.
La maladie peut être détectée grâce à des analyses sanguines, une échographie du crâne permettant de détecter
une anomalie de la substance noire du cerveau, ou par scintigraphie pour repérer les transporteurs
membranaires de la dopamine.
La voix est le résultat d’une coordination du larynx, du diaphragme, des cordes vocales, de la langue et des lèvres.
Cette coordination est altérée lorsqu’une personne est atteinte de la maladie de Parkinson.
Récemment, un scientifique du MIT, associé à deux chercheurs de l’université d’Oxford, ont eu l’idée d’un logiciel
qui utilise les plus infimes altérations de la voix dus à la maladie de Parkinson, pour parvenir à la détecter. Cette
idée a été reprise par beaucoup de chercheurs et est en plein développement.
Nous proposons donc de faire un état de l’art des méthodes utilisant les réseaux de neurones pour détecter les
signes de parkinson dans la voix d’un individu.
Le but de ce projet est de créer un modèle utilisant un réseau de neurone profond pour classifier les individus
parkinsoniens des individus sains.
Dans un premier temps, nous effectuerons des recherches sur l’utilisation des réseaux de neurones utilisant des
spectrogrammes en entrée du réseau. Ensuite, nous implémenterons cette méthode pour la détection précoce
de la maladie de Parkinson que nous compareront avec l’utilisation des MFCC et des GMM. Si le résultat est
positif, nous comparerons ensuite avec l’utilisation des bottleneck features.
Les données utilisées
Les données que nous utiliserons seront issus de patients parkinsoniens de l'hôpital de la Pitié Salpêtrière à Paris.
Nous utiliserons les données labélisées sous forme de spectrogramme.
Réseau de neurone
Après lecture de ces différents articles, nous choisirons d’utiliser les DCNN, Deep Convolutional Neural Network
pour nos recherches, en utilisation supervisée. Nous implémenterons différents réseaux de tailles différentes,
en jouant sur le nombre de couches de convolution ainsi que sur le nombre de couches fully connected.

Annonce