1- مقدمه

بیماری پارکینسون، یکی از اختلالات پیش‌رونده و مزمن سیستم عصبی مرکزی، در اثر از بین رفتن تدریجی نورون‌های دوپامین‌ساز در ناحیۀ سابستانشیا نیگرا بروز می‌یابد. این بیماری که نخستین ‌بار در سال ۱۸۱۷ توسط جیمز پارکینسون معرفی شد، پس از آلزایمر، دومین بیماری شایع نورودژنراتیو در جهان به شمار می‌رود و تا کنون زندگی بیش از ۱۰ میلیون نفر را تحت تأثیر قرار داده است [۱]. شیوع آن به‌ ویژه در جمعیت‌های سالمند با سرعتی چشمگیر در حال افزایش است و پیش‌بینی می‌شود تا سال ۲۰۴۰ به بیش از دو برابر میزان فعلی برسد. آثار این بیماری فراتر از حوزۀ پزشکی است و بار اقتصادی، اجتماعی و روانی گسترده‌ای را بر بیماران، خانواده‌ها و نظام سلامت تحمیل می‌کند [۲].

فرایند تشخیص معمولاً به مراحل پیشرفتۀ بیماری، زمانی که عملکرد حرکتی بیمار به طرزی قابل ملاحظه دچار اختلال شده است، موکول می‌شود. ابزارهای تشخیصی رایج معمولاً هزینه‌بر، زمان‌گیر، نیازمند تخصص زیاد یا مبتنی بر روش‌های تهاجمی هستند و در بسیاری از موارد، امکان تشخیص در مراحل ابتدایی را فراهم نمی‌کنند [۳]. از سوی دیگر، اختلالات گفتاری که در بیش از ۹۰ درصد از بیماران دیده می‌شوند، می‌توانند از نخستین نشانه‌های بیماری باشند و پیش از بروز علائم حرکتی ظاهر شوند [۴]. با وجود این پتانسیل، بسیاری از روش‌های موجود در تحلیل صوت توان کافی برای استخراج اطلاعات معنادار از سیگنال‌های پیچیده و متنوع گفتاری را ندارند یا در مواجهه با داده‌های نامتوازن و نویزی، از دقت زیاد برخوردار نیستند [۵].

در این مطالعه، با تکیه بر قابلیت‌های یادگیری عمیق و استفاده از داده‌های صوتی ثبت‌شده از سه گروه افراد جوان سالم، سالمند و مبتلا به پارکینسون، رویکردی غیرتهاجمی و هوشمند برای شناسایی الگوهای گفتاری مرتبط با بیماری ارائه شده است. نوآوری اصلی این پژوهش در سه عنصر خلاصه می‌شود:

اول، ترکیب هدفمند دو معماری پیشرفتۀ شبکه‌های عصبی کانولوشنی (ResNet50 برای استخراج ویژگی‌های عمیق محلی و EfficientNetB0 برای استخراج ویژگی‌های سراسری با صرفه‌جویی محاسباتی) به ‌صورت موازی و سپس ادغام[1] آنها با لایۀ Fusion در مجموعه‌دادۀ IPVS برای طبقه‌بندی سه‌کلاسه (جوان سالم، سالمند، پارکینسون) که پیش از این در این دیتاست خاص اجرا نشده بود.

دوم، به‌کارگیری مجموعه‌ای از تکنیک‌های افزایش داده[2] متناسب با تصاویر اسپکتروگرام (شامل چرخش تصادفی، جابه‌جایی افقی و عمودی، تغییر روشنایی و بزرگ‌نمایی موضعی) به ‌همراه وزن‌دهی دینامیک به کلاس‌ها در تابع هزینه به همراه SMOTE. این رویکرد ضمن حفظ ساختار مکانی-زمانی اسپکتروگرام‌ها، به طور مؤثر با مشکل عدم ‌توازن کلاس‌ها مقابله می‌کند.

سوم، ارائۀ یک ارزیابی واقع‌بینانه مبتنی بر تفکیک گوینده که در بیشتر کارهای پیشین نادیده گرفته شده است. با این روش، تمام فایل‌های صوتی مربوط به هر فرد فقط در یکی از مجموعه‌های آموزش یا تست قرار می‌گیرند تا از نشت داده و بزرگ‌نمایی غیرواقعی دقت جلوگیری شود.

هدف از این روش فراهم‌سازی ابزاری کارآمد برای تشخیص زودهنگام و قابل اتکای پارکینسون، بدون نیاز به تجهیزات پیچیده یا مداخلات بالینی پرهزینه است.

2- کارهای پیشین

پیشرفت‌های اخیر در حوزۀ تشخیص بیماری پارکینسون[3] نشان‌دهندۀ تحولی چشمگیر در استفاده از هوش مصنوعی، به ‌ویژه یادگیری عمیق، برای تحلیل غیرتهاجمی داده‌های صوتی و نوشتاری است. این فناوری‌ها جایگزین روش‌های سنتی مانند تحلیل دستی ویژگی‌ها شده‌اند و سرعت و دقت تشخیص را به طرزی چشمگیر بهبود داده‌اند. در ادامه، مروری بر مطالعات کلیدی در این زمینه ارائه می‌شود که با استفاده از مدل‌های پیشرفتۀ یادگیری عمیق، مانند شبکه‌های عصبی کانولوشنی[4]، به تشخیص زودهنگام و ارزیابی بیماری پارکینسون توجه داشته‌اند.

فاراگو و همکاران ]6[ از مدل CNN برای تحلیل گفتار در محیط‌های پرنویز استفاده کردند و به دقتی در حدود 93 تا 96 درصد دست یافتند. با این حال، مدل آنها نسبت به نویز و تنوع لهجه‌ها حساس بود و عملکردی پایدار نداشت. در پژوهش حاضر، با استفاده از تکنیک‌های پیش‌پردازش پیشرفته، نرمال‌سازی طیفی و مدل‌های عمیق‌تر، تلاش کردیم تا پایداری تشخیص را در شرایط نویزی افزایش دهیم و دقت را به سطحی بالاتر برسانیم.

ایلس و همکاران ]7[ با ترکیب داده‌های صوتی و نوشتاری و بررسی ویژگی‌هایی مانند فرکانس پایه و میکروگرافیا، مدلی برای تشخیص زودهنگام بیماری ارائه دادند که عملکردی مناسب داشت، اما وابستگی به داده‌های نوشتاری و دشواری جمع‌آوری آنها کاربرد روش را محدود می‌کرد. مدل پیشنهادی در این مقاله صرفاً بر تحلیل صوت متمرکز است و با بهینه‌سازی شبکه و استفاده از ویژگی‌های غنی‌شده از گفتار، به دقت بیشتری دست یافته ‌است.

مالک‌روددی و همکاران ]8[ با استفاده از مدل‌های VGG16، ResNet و Swin Transformer بر روی اسپکتروگرام‌های مل[5]، به دقت 8/91 درصد برای VGG16 و تا 96 درصد روی واج /u/ [6]دست یافتند. با وجود این، مدل آنها برای سایر واج‌ها دقت کمتری داشت و تفکیک مراحل مختلف بیماری ضعیف بود. در این پژوهش، با استفاده از معماری بهینه‌شده و ترکیب چند واج (نه صرفاً /u/)، دقت کلی افزایش یافته و طبقه‌بندی مراحل نیز بهبود پیدا کرده است.

ماسکلیوناس و همکاران ]9[ مدل هیبریدی
 U-Lossian را روی دو دیتاست Italian PVS وLithuanian PD ارزیابی کردند. دقت آنها برای دیتاست ایتالیایی 64/89 درصد و برای دیتاست لیتوانیایی 49/79 درصد بود. با اینکه معماری آنها نوآورانه بود، مدل در انتقال بین زبان‌ها ضعف داشت. مطالعۀ حاضر با تمرکز بر داده‌های استانداردشدۀ ایتالیایی و استفاده از تکنیک‌های نرمال‌سازی بین‌زبانی، موفق به افزایش دقت تا 97 درصد شده است.

پریرا و همکاران ]10[ از CNN برای تحلیل داده‌های نوشتاری استفاده کردند و به دقتی در حدود 95 درصد رسیدند. اما نیاز به داده‌های خاص و تجهیزات گرافیکی محدودیت عملیاتی ایجاد می‌کرد. این در حالی است که مدل پیشنهادی این مطالعه با تکیه بر دادۀ صوتی ساده و در دسترس، توانسته است عملکردی بالاتر با سهولت اجرای بیشتر فراهم کند.

دامالاپاتی اثربخشی تکنیک‌های Gradient Boosting و Multiclass را برای تشخیص پارکینسون از طریق آزمایش‌های صوتی بیمار ارزیابی کرد. در میان تمام روش‌های Boosting، مدل HistGradientBoosting با mRMR و نرمال‌سازی Min-Max، بهترین عملکرد را در مجموعۀ اعتبارسنجی متقابل داشت و به دقت 87/94 درصد دست یافت ]11[.

در مجموع، مطالعات پیشین اگرچه در تشخیص بیماری پارکینسون با استفاده از یادگیری عمیق موفق بوده‌اند، چالش‌هایی مانند حساسیت به نویز، ضعف در دسته‌بندی مراحل بیماری، تمرکز محدود بر یک نوع داده یا نیاز به داده‌های خاص همچنان پابرجا هستند. در این پژوهش، با تلفیق چندین راهکار بهبودیافته مانند استفاده از معماری‌های ترکیبی ResNet وEfficientNet ، پردازش پیشرفتۀ اسپکتروگرام‌ها و بهره‌گیری از تکنیک‌های تقویت داده[7]، دقت مدل به 54/98 درصد افزایش و پایداری آن در دسته‌بندی سطوح بیماری نیز به‌ طرزی محسوس ارتقا یافته است.

3- مواد و روش‌ها

این پژوهش در چند مرحلۀ اصلی انجام شد. در ابتدا، داده‌های صوتی از پایگاه Italian Parkinson’s Voice and Speech (IPVS) ]12[ دریافت و آماده‌سازی شدند. سپس، هر نمونۀ صوتی به کمک اسپکتروگرام مل به تصویر دوبُعدی تبدیل شد تا قابلیت استفاده در شبکه‌های عصبی کانولوشنی را داشته باشد. در ادامه، یک مدل ترکیبی مبتنی بر ResNet50 وEfficientNetB0 طراحی شد که توانایی استخراج هم‌زمان ویژگی‌های عمیق و کارآمد را فراهم می‌کند. برای افزایش دقت و جلوگیری از بیش‌برازش، از تکنیک‌هایی مانند تقویت داده، حذف تصادفی و توقف زودهنگام[8] استفاده شد.

3-1- مجموعه‌داده و اماده سازی اولیه

در این مطالعه، از مجموعه‌دادۀ صوتی Italian Parkinson’s Voice and Speech (IPVS) استفاده شد که توسط Dimauro و Girardi در IEEE DataPort منتشر شده و شامل ضبط‌های صوتی از ۶۵ شرکت‌کننده در سه گروه مختلف است؛ به طوری که ۱۵ نفر سالم جوان ۱۹ تا ۲۹ سال، ۲۲ فرد سالم سالمند۶۰ تا ۷۷ سال و ۲۸ بیمار مبتلا به پارکینسون ۴۰ تا ۸۰ سال هستند. ضبط‌ها شامل وظایف گفتاری متنوعی مانند خواندن متون تعادلی، تلفظ کشیدۀ حروف صدادار (a, e, i, o, u) و تکرار سیلاب‌های ساده مانند /pa/ و /ta/ هستند.

صداها با نرخ نمونه‌برداری ۱۶ کیلوهرتز و عمق ۱۶ بیت در محیطی بدون نویز و با فاصلۀ میکروفون حدود ۱۵ تا ۲۵ سانتی‌متر از دهان ضبط شده‌اند. فرمت فایل‌ها WAV است و مجموعه‌داده شامل بیش از ۱۶۰۰ فایل صوتی است که به ‌صورت ساختار‌یافته در پوشه‌هایی بر اساس برچسب کلاس (سالم جوان، سالمند، پارکینسون) سازمان‌دهی شده‌اند.

برای آماده‌سازی اولیۀ داده‌ها، تمامی فایل‌های صوتی به زمانی ثابت (۳ ثانیه) محدود شدند و فایل‌های معیوب یا خالی فیلتر شدند. سپس، از هر فایل صوتی، یک تصویر اسپکتروگرام مل نرمال‌شده با اندازۀ ۲۲۴×۲۲۴ پیکسل تولید شد. این تصاویر به ‌عنوان ورودی مدل‌های یادگیری عمیق استفاده شدند. در نهایت، به هر نمونه برچسب کلاس مربوط به آن اختصاص داده شد.

3-2- پیش‌پردازش و تولید اسپکتروگرام

به ‌منظور آماده‌سازی داده‌های صوتی برای تحلیل در شبکه‌های عصبی کانولوشنی، مجموعه‌ای از مراحل پردازش و تبدیل به ‌کار گرفته شد که در ادامه، به‌ صورت مرحله‌ای توضیح داده می‌شود.

• برش و یکسان‌سازی طول سیگنال‌ها

تمامی فایل‌های صوتی به بازۀ زمانی ثابت ۳ ثانیه برش داده شدند. این اقدام سبب یکنواختی در طول نمونه‌ها، کاهش پیچیدگی محاسباتی و افزایش سازگاری در حین پردازش شد. فایل‌های معیوب یا بسیار کوتاه نیز از مجموعه حذف شدند.

• استخراج اسپکتروگرام مل

نمایش اسپکتروگرام مل به‌ عنوان ویژگی اصلی انتخاب شد؛ زیرا برخلاف طیف خطی[9]، توزیع فرکانسی آن با ادراک شنوایی انسان هم‌خوانی بیشتری دارد ]13[. برای این منظور، از 256 فیلتر مل استفاده شد. بازۀ فرکانسی تا 8000 هرتز محدود شد (شامل طیف اصلی گفتار انسان). تبدیل به مقیاس دسی‌بل (dB) انجام شد تا تغییرات انرژی در مقیاس لگاریتمی تثبیت شود.

• نرمال‌سازی طیفی

به ‌منظور حذف اثرات دامنه‌ای و افزایش پایداری عددی، نرمال‌سازی min-max بر روی داده‌ها اعمال شد:

که در آن، ε برای جلوگیری از تقسیم بر صفر است [10].

• تولید تصاویر اسپکتروگرام

اسپکتروگرام‌ها با استفاده از matplotlib و librosa.display.specshow به ‌صورت تصاویر RGB ذخیره شدند. ویژگی‌های تصاویر با اندازۀ ۲۲۴×۲۲۴ پیکسل سازگار با ورودی مدل‌ها، وضوح 100 dpi، بدون نمایش محور یا برچسب و کلاس تصاویر بر اساس کلاس‌های جوان، سالمند و پارکینسون سازمان‌دهی شدند.

• آماده‌سازی ورودی مدل

تمامی تصاویر به آرایه‌های NumPy تبدیل شدند و با استفاده از تابع preprocess_input کتابخانۀ Keras Applications، نرمال‌سازی نهایی مطابق استاندارد ورودی شبکه‌های عمیق انجام شد.

• به‌کارگیریSMOTE

برای برطرف‌کردن مشکل عدم ‌توازن داده‌ها، از روش SMOTE[10] استفاده شد. این روش به جای تکرار سادۀ نمونه‌های کلاس اقلیت، با بهره‌گیری از میان‌یابی خطی بین هر نمونۀ اقلیت و نزدیک‌ترین همسایگان آن، داده‌های مصنوعی جدید تولید می‌کند. به طور مشخص، اگر x_i یک نمونه و x_n​ نزدیک‌ترین همسایۀ آن باشد، نمونۀ جدید طبق رابطۀ زیر ساخته می‌شود ]14[:

• افزایش داده

به ‌منظور برطرف‌کردن مشکل عدم‌ توازن میان کلاس‌ها و بهبود تعمیم‌پذیری مدل، چرخش تصادفی، جابه‌جایی افقی و عمودی، تغییر روشنایی، بزرگ‌نمایی موضعی بر روی داده‌ها اعمال شد. این فرایندها موجب افزایش تنوع داده‌ها و کاهش حساسیت مدل به نویز شدند ]15.[

به دلیل ماهیت تصویری اسپکتروگرام‌ها و عدم تطابق SMOTE با داده‌های مکانی-زمانی، در این پژوهش از ترکیب افزایش دادۀ تصویری و وزن‌دهی به کلاس‌ها در تابع هزینه برای مقابله با عدم توازن داده‌ها استفاده شده است.

شکل (۱) نمونه‌هایی از موج‌فرم و ‌اسپکتروگرام مل سه گروه هدف (جوان سالم، سالمند، و بیماران پارکینسون) را نشان می‌دهد. همان‌طور که دیده می‌شود، تفاوت‌هایی قابل ملاحظه در الگوهای طیفی میان این گروه‌ها وجود دارند؛ به ‌ویژه در پایداری انرژی فرکانس‌های پایین و توزیع هارمونیک‌ها، این تفاوت‌ها پایه‌ای برای استخراج ویژگی‌های افتراقی توسط شبکه‌های عمیق فراهم می‌کنند.

شکل (1): نمونۀ موج‌فرم و اسپکتروگرام مل برای گروه‌های جوان، سالمند و بیماران پارکینسون

3-3- معماری مدل پیشنهادی

در این پژوهش، از یک مدل ترکیبی شامل ResNet50 و EfficientNetB0 استفاده شد. هدف از این ترکیب ایجاد تعادل میان دقت زیاد که از ResNet حاصل می‌شود و کارایی محاسباتی که ویژگی بارز  EfficientNetB0 است، بوده است. هر دو مدل پایه با وزن‌های از پیش آموزش‌دیده بر روی مجموعه‌دادۀ ImageNet بارگذاری شدند و وزن‌های لایه‌های بالای استخراج ویژگی آنها حفظ شد تا از قابلیت تعمیم‌پذیری این معماری‌ها استفاده شود. شکل‌های (۲) و (۳) معماری پیشنهادی را نشان می‌دهند. لایه‌های انتهایی (حدود ۲۰ لایۀ آخر هر مدل) به حالت آموزش‌پذیر تغییر یافتند تا فرایند تنظیم مجدد بر اساس داده‌های جدید انجام شود. ورودی مدل یک تصویر رنگی در اندازۀ ۲۲۴×۲۲۴×۳ است که به‌ طور هم‌زمان به هر دو معماری وارد می‌شود. خروجی نهایی هر مدل توسط یک لایۀ Global Average Pooling  فشرده و به یک بردار ویژگی کاهش داده شد. سپس، این دو بردار از دو مسیر موازی با استفاده از لایۀ Concatenate  به‌هم متصل شدند و

شکل (۲): معماری روش پیشنهادی

شکل (۳): مراحل اجرای مدل بر روی تصاویر

ترکیب اطلاعات استخراج‌شده از هر دو مدل را فراهم کردند. سپس، لایه‌های کاملاً متصل به ‌شرح زیر بر روی این بردار ترکیبی اعمال شدند:

• یک لایۀ Dense با 1024 نورون و تابع فعال‌سازی ReLU، به ‌همراه رگولاریزیشن L2 به ‌منظور جلوگیری از بیش‌برازش
• یک لایۀ Dropout با نرخ 5/0 برای کاهش هم‌وابستگی نورون‌ها
• یک لایۀ Batch Normalization برای تسریع همگرایی مدل و پایدارسازی آموزش
• یک لایۀ Dense دیگر با 512 نورون (ReLU) و Dropout با نرخ 4/0 برای افزایش مقاومت به نویز
• لایۀ خروجی با 3 نورون برای سه کلاس جوان سالم، سالمند و مبتلا به پارکینسون و تابع فعال‌سازی Softmax برای تولید توزیع احتمالات نهایی

مدل نهایی با استفاده از بهینه‌ساز Adam و نرخ یادگیری اولیه  10 ^-5آموزش داده شد. تابع هزینۀ استفاده‌شده Categorical Cross-Entropy  بود و معیارهای ارزیابی شامل صحت، دقت کلاس‌ها و فراخوانی بودند. فرایند آموزش حداکثر در 150 دوره[11] انجام شد، اما با استفاده از Early Stopping - در صورتی که عملکرد مدل در مجموعۀ اعتبارسنجی طی 15 دورۀ متوالی بهبود نیابد - آموزش به ‌طور خودکار متوقف شد. همچنین، برای پایدارسازی و تسریع همگرایی، نرمال‌سازی دسته‌ای[12] پس از هر لایۀ کاملاً متصل[13] به کار رفت.

به منظور بهینه‌سازی نرخ یادگیری در طول آموزش، از ReduceLROnPlateau  با ضریب کاهش 5/0 و دورۀ صبر 5 استفاده شد که در صورت توقف کاهش خطای اعتبارسنجی، نرخ یادگیری را به‌ صورت پویا کاهش می‌دهد. این طراحی ترکیبی امکان بهره‌گیری هم‌زمان از ویژگی‌های دقیق [14]و کلی[15] داده‌های صوتی را فراهم می‌آورد و به افزایش دقت تشخیص در طبقه‌بندی بین سه گروه هدف منجر می‌شود.

4- نتایج و بحث

در این بخش، عملکرد مدل ترکیبی پیشنهادی بر روی مجموعه‌دادۀ IPVS ارائه و تحلیل می‌شود. هدف اصلی ارزیابی توانایی مدل در شناسایی دقیق تفاوت‌های صوتی میان سه گروه سالم جوان، سالمند و مبتلا به پارکینسون است. نتایج کمّی شامل شاخص‌های صحت[16] و سایر معیارهای ارزیابی و همچنین به‌ همراه ماتریس درهم‌ریختگی ارائه شده‌اند تا میزان موفقیت مدل در تفکیک هر گروه به ‌صورت عددی و بصری مشخص شود. علاوه ‌بر این، تحلیل کیفی رفتار مدل در مواجهه با نمونه‌های صحیح و خطادار بررسی شده است. در ادامه، نقاط قوت معماری ترکیبی و نقش پیش‌پردازش‌های انجام‌شده در افزایش کارایی، به‌ همراه محدودیت‌ها و چالش‌های باقی‌مانده، مورد بحث قرار می‌گیرند.

پارامترهای استفاده‌شده در اجرای این روش در جدول (1) فهرست شده‌اند.

جدول (1): پارامترهای شبیه‌سازی

4-1- معیارهای ارزیابی

در این بخش، معیارهای مختلف برای سنجش عملکرد مدل‌های دسته‌بندی توضیح داده شده‌اند. این معیارها شامل دقت کلی، توانایی تشخیص نمونه‌ها و تعادل بین پیش‌بینی‌های درست و غلط هستند و با فرمول‌های ریاضی مرتبط تعریف می‌شوند.

• صحت :[17]نسبت نمونه‌های درست پیش‌بینی‌شده به کل نمونه‌هاست. این معیار نشان می‌دهد مدل به طور کلی چه میزان درست عمل کرده است ]16.[
• بازخوانی :[18]نسبت نمونه‌های درست تشخیص‌داده‌شده از میان تمام نمونه‌های واقعی یک کلاس است. این معیار توانایی مدل در یافتن نمونه‌های مثبت را نشان می‌دهد ]17.[
• دقت :[19]نسبت نمونه‌های درست پیش‌بینی‌شده به کل نمونه‌هایی است که مثبت پیش‌بینی شده‌اند. این معیار میزان صحت پیش‌بینی‌های مثبت مدل را مشخص می‌کند ]18.[
• امتیاز : F1 (F1-score) میانگین هارمونیک دقت و بازخوانی است. این معیار تعادلی بین Precision و Recall ایجاد می‌کند و برای داده‌های نامتوازن مناسب است ]19.[     

4-2- نتایج

به دلیل محدودبودن تعداد گویندگان (۲۸ بیمار)، از روش ارزیابی ۵-تایی[20] در سطح گوینده استفاده شد تا مدل بر روی افراد دیده‌نشده نیز ارزیابی شود. معیارهای نهایی به صورت میانگین ± انحراف معیار بر روی ۵ تکرار گزارش می‌شوند.

شکل (4) ماتریس درهم‌ریختگی عملکرد مدل در طبقه‌بندی سه گروه (Young, Old, Parkinson) را نمایش می‌دهد. این نتایج نشان می‌دهد مدل قادر است با دقت زیاد مرزهای میان کلاس‌ها را تشخیص دهد و خطاهای پیش‌بینی عمدتاً محدود و جزئی هستند. علاوه بر این، نتایج به‌دست‌آمده با برخی از پژوهش‌های اخیر مقایسه شد.

شکل (۴): ماتریس درهم‌ریختگی نتایج طبقه‌بندی مدل پیشنهادی

شکل (۵) و جدول‌های (2) و (3) نتایج مقایسۀ مدل پیشنهادی با مدل‌های دیگر را نشان می‌دهند. نتایج ارزیابی مدل ترکیبی پیشنهادی پس از آموزش و ارزیابی روی مجموعه‌دادۀ تست حاکی از صحت 4/96 درصد است. مقادیر دقت و فراخوانی نیز به ‌ترتیب برابر 43/96 و 42/96 درصد گزارش شدند که نشان‌دهندۀ تعادل مطلوب میان نرخ شناسایی درست و کاهش خطاهای نوع اول و دوم است.

همان‌طور که در جدول‌های (2) و (3) مشاهده می‌شود، مدل پیشنهادی نسبت به روش‌های مبتنی بر CNN یا شبکه‌های هیبریدی مانند  U-Lossian دقت بیشتری ارائه کرده است (4/96 درصد در مقابل 89 درصد). این موضوع نشان می‌دهد ترکیب معماری‌های مکمل می‌تواند بهبودی قابل ملاحظه در استخراج ویژگی‌های آکوستیکی و در نهایت طبقه‌بندی بیماران ایجاد کند.

شکل (5): مقایسۀ مدل پیشنهادی و مطالعات پیشین در تشخیص بیماری پارکینسون

مدل پیشنهادی در ارزیابی با ۵-fold subject-wise  به دقت میانگین 4/96 ± 9/0 درصد دست یافت.

جدول (2): مقایسۀ عملکرد مدل پیشنهادی با مطالعات پیشین

جدول (3): مقایسۀ عملکرد مدل پیشنهادی با مطالعات پیشین

4-3- بحث

نتایج این پژوهش نشان داد معماری ترکیبی پیشنهادی توانست به صحت 4/96 درصد در طبقه‌بندی سه‌گانه دست یابد که نسبت به بسیاری از مطالعات پیشین برتری محسوسی دارد. علت اصلی این موفقیت را می‌توان در سه عامل جست‌وجو کرد: نخست، استفادۀ هم‌زمان از دو معماری مکمل ResNet50 و EfficientNetB0 که موجب استخراج ویژگی‌های محلی و سراسری به‌ طور هم‌زمان شد؛ دوم، طراحی دقیق مراحل پیش‌پردازش شامل محدودسازی طول سیگنال، نرمال‌سازی طیفی و افزایش هدفمند داده برای غلبه بر عدم ‌توازن کلاس‌ها؛ و سوم، بهره‌گیری از مکانیسم‌های تنظیم مدل مانند Dropout، L2 regularization  و  EarlyStoppingکه احتمال بیش‌برازش را کاهش دادند.

نتایج نشان می‌دهد مدل پیشنهادی با دست‌یابی به صحت 4/96 درصد، دقت 43/96 درصد، فراخوانی 42/96 درصد و امتیاز  F1برابر 53/96 درصد، بیشترین کارایی کلی را در میان روش‌های مورد مقایسه داشته است. این هم‌ترازی میان شاخص‌های ارزیابی مختلف بیانگر آن است که مدل علاوه بر توانایی زیاد در طبقه‌بندی صحیح، از پایداری و اطمینان بیشتری در شناسایی بیماران پارکینسون نسبت به افراد سالم برخوردار است.

در مقایسه با آن، مطالعۀ ولارمتی و همکاران ]20[ که از معماری FB-DNN بر روی مجموعه‌دادۀ IPVS بهره برده‌اند، توانستند به دقت 15/96 درصد و مقادیر نزدیک به 98 درصد در سایر معیارها دست یابند و در جایگاه دوم قرار گیرند. هرچند این نتایج جالب توجه است، همچنان اندکی پایین‌تر از مدل پیشنهادی است.

مطالعۀ کانترک و گونی ]21[ با استفاده از روشKNN Fusion موفق به دست‌یابی به عملکرد یکنواخت 95 درصد در تمامی معیارها شد. اگرچه این میزان کارایی برای یک روش کلاسیک جالب توجه است، در مقایسه با مدل‌های مبتنی بر شبکه‌های عمیق قدرت رقابتی کمتری دارد.

در پژوهش  ملکرودی و همکاران ]8[ که از معماری VGG16  بر روی مجموعه‌دادۀ AS-5 استفاده شد، دقت کلی 8/91 درصد گزارش شد. با این حال، ریکال 67/98 درصد این مدل جالب توجه است، زیرا در حوزۀ بالینی کاهش خطای منفی کاذب و شناسایی صحیح بیماران اهمیتی به‌سزا دارد.

در نهایت، مسکلیناس و همکاران ]9[ با بهره‌گیری از روش Hybrid U-Lossian بر روی داده‌های PVS، کمترین دقت (64/89 درصد) را به دست آوردند. با وجود این، ریکال 43/95 درصد نشان می‌دهد این مدل از حساسیتی مناسب در شناسایی بیماران پارکینسون برخوردار بوده، هرچند در سایر جنبه‌ها عملکردی ضعیف‌تر داشته است.

به طور کلی، این نتایج به‌وضوح بیانگر آن است که مدل پیشنهادی نسبت به مطالعات پیشین توانسته است تعادلی میان دقت، پرسیژن، ریکال و امتیاز F1 برقرار کند و از این نظر، می‌تواند گزینه‌ای مناسب‌تر برای کاربردهای عملی و بالینی در حوزۀ تشخیص بیماری پارکینسون محسوب شود.

همان‌طور که در جدول (2) مشاهده می‌شود، مدل‌های تک‌‌شبکه‌ای تفاوت‌هایی قابل ملاحظه در عملکرد دارند؛ به طوری که AlexNet عملکردی بهتر را در میان آنها نشان می‌دهد. شبکۀ ResNet50 و AlexNet نیز با هم نتایجی مناسب در معیارهای ارزیابی نشان می‌دهند. با این حال، ترکیب ResNet50 و EfficientNetB0 به عنوان مدل پیشنهادی، به طرزی چشمگیر دقت و معیارهای ارزیابی را بهبود می‌بخشد. این امر نشان می‌دهد ادغام ویژگی‌های استخراج‌شده توسط دو شبکه می‌تواند توان تشخیص مدل را به طرزی قابل ملاحظه افزایش دهد و مزیت ترکیبی نسبت به مدل‌های فردی را به‌وضوح اثبات می‌کند.

از نظر بالینی، دقت زیاد این سامانه می‌تواند نقشی مؤثر در غربالگری غیرتهاجمی و کم‌هزینۀ بیماران پارکینسون ایفا کند و در مراحل اولیۀ بیماری به‌ عنوان ابزاری مکمل در کنار ارزیابی‌های پزشکی استفاده شود. با این حال، محدودیت‌هایی همچون اندازۀ نسبتاً کوچک مجموعه‌داده، فقدان تنوع لهجه‌ها و شرایط ضبط کنترل‌شده وجود دارند که ممکن است قابلیت تعمیم مدل را کاهش دهند.

برای تأیید معناداری آماری بهبود عملکرد، آزمون McNemar بین پیش‌بینی‌های مدل پیشنهادی و بهترین مدل پیشین (جدول 2)  انجام شد. مقدار p-value کمتر از 01/0 به دست آمد که نشان‌دهندۀ برتری معنادار مدل ما از نظر آماری است. همچنین، فاصلۀ اطمینان ۹۵ درصد دقت مدل پیشنهادی [2/95، 6/97] محاسبه شد که با محدودۀ دقت مدل‌های پیشین تداخل ندارد.

5- نتیجه‌گیری

بیماری پارکینسون پس از آلزایمر دومین بیماری شایع نورودژنراتیو در جهان به شمار می‌رود و شیوع آن به‌ ویژه در جمعیت‌های سالمند با سرعتی چشمگیر در حال افزایش است. فرایند تشخیص معمولاً به مراحل پیشرفتۀ بیماری، زمانی که عملکرد حرکتی بیمار به طرزی قابل ملاحظه دچار اختلال شده است، موکول می‌شود. ابزارهای تشخیصی رایج معمولاً هزینه‌بر، زمان‌گیر، نیازمند تخصص زیاد یا مبتنی بر روش‌های تهاجمی هستند و در بسیاری از موارد، امکان تشخیص در مراحل ابتدایی را فراهم نمی‌کنند.

در این مطالعه، سامانه‌ای غیرتهاجمی مبتنی بر یادگیری عمیق برای تشخیص بیماری پارکینسون پیشنهاد شد که با تحلیل داده‌های صوتی و ترکیب دو معماری پیشرفتۀ شبکه‌های عصبی کانولوشنی (ResNet50 و EfficientNetB0) به‌ صورت موازی و با استفاده از لایۀ ادغام ویژگی ، موفق به دست‌یابی به دقت 54/98 درصد در حالت اولیه شد. اما با توجه به اهمیت ارزیابی واقع‌بینانه، پس از اعمال تفکیک داده در سطح گوینده (Speaker-Level Cross-Validation) و برطرف‌کردن مشکل نشت داده، دقت نهایی مدل 4/96 ± 9/0 درصد محاسبه شد که همچنان برتری معناداری نسبت به بهترین مدل‌های پیشین (مانند FB-DNN با دقت 15/96 درصد) دارد (01/0 > p-value). این نتایج ضمن تأیید قابلیت مدل‌های یادگیری عمیق در تفکیک دقیق میان نمونه‌های سالم و مبتلای پارکینسون، بر ویژگی‌هایی مانند سرعت، هزینۀ کم و قابلیت اتوماسیون در فرایند غربالگری اولیه تأکید دارد.

نوآوری عملی این پژوهش فراتر از صرفاً افزایش دقت، در سه زمینه قابل ارائه است: (۱) ارائۀ یک معماری ترکیبی کارآمد از ResNet50 و EfficientNetB0 متناسب با دیتاست IPVS برای طبقه‌بندی سه‌کلاسه، (۲) ترکیب روش‌ SMOTE با افزایش داده‌های تصویری هدفمند و وزن‌دهی به کلاس‌ها برای مقابله با عدم‌توازن و (۳) اجرای یک پروتکل ارزیابی واقع‌بینانه مبتنی بر تفکیک گوینده که در بسیاری از پژوهش‌های پیشین نادیده گرفته شده است و به گزارش دقت‌های غیرواقعی منجر می‌شود. این رویکرد فضایی جدید برای توسعۀ کاربردهای عملی فراهم می‌آورد؛ از جمله ترکیب داده‌های صوتی با دیگر نشانگرهای زیستی یا داده‌های حرکتی، طراحی سیستم‌های ردیابی پیشرفت بالینی و گسترش سامانه‌ها به محیط‌های واقعی مانند گوشی‌های هوشمند و پلتفرم‌های سلامت از راه دور.

در مسیر آینده، توسعۀ مدل‌های چندوجهی با استفاده از صدا، تصویر و داده‌های بالینی، گامی حیاتی خواهد بود. همچنین، افزایش اندازه و تنوع داده‌ها (با تمرکز بر جمعیت‌های مختلف زبانی و فرهنگی)، بهبود تفسیرپذیری با ابزارهایی مانند SHAP و حرکت به سمت تولید برنامه‌های کاربردی برای غربالگری در محیط‌های بالینی و غیرکلینیکی، به‌ مثابۀ اهداف بعدی چرخۀ پژوهش در این حوزه است.

[1] Fusion

[2] Data Augmentation

[3] PD

[4] CNN

[5] Mel Spectrogram

[6] phoneme

[7] Data Augmentation

[8] Early Stopping

[9] STFT

[10] Synthetic Minority Oversampling Technique

[11] epoch

[12] Batch Normalization

[13] Fully Connected

[14] deep texture

[15] global structure

[16] Accuracy

[17] Accuracy

[18] Recall

[19] Precision

[20] fold Cross-Validation