Computer based technique to detect depression in Alzheimer patients

Résumé

La dépression est fréquente chez les patients atteints de la maladie d'Alzheimer (MA), plus particulièrement aux stades précoce (déficience cognitive légère) et moyen de la maladie. On estime que 30% des patients atteints de la MA souffrent de dépression. Cet état dépressif a souvent pour effet d'aggraver la maladie car il peut engendre un déclin cognitif. Il n'existe cependant pas de test officiel permettant de diagnostiquer la dépression chez les patients atteints de la maladie d'Alzheimer, ce qui représente un défi pour la communauté médicale. Cette recherche vise à aider les communautés médicales à relever ce défi en présentant des modèles d'apprentissage automatique qui classent les patients atteints de MA et de déficience cognitive légère en deux classes (dépressive et non dépressive). Pour réaliser cette étude, nous avons choisi 276 participants (âge moyen 70,9 ans) provenant du Corpus de Pittsburgh, Dementia Bank. Pour réaliser cette étude, nous avons choisi 276 participants (âge moyen 70,9 ans) provenant du Corpus de Pittsburgh, Dementia Bank. La voix de l'intervieweur et les silences sont supprimés des enregistrements audio en tant que tâche de prétraitement. Différentes caractéristiques sont extraites du discours du patient pour accomplir cette tâche. Par exemple, MFCC, Spectral Centroid, Spectral Roll-Off Point, etc. Nous avons utilisé et comparé trois techniques de classification traditionnelles, SVM, Random Tree et Random Forest, et un réseau de neurones artificiel (ANN). La méthode de bootstrap est utilisée pour résoudre le biais d'échantillonnage puisque 70% des patients ne souffrent pas de dépression. D'après les résultats, l'ensemble des caractéristiques calculées à partir des MFCC est plus approprié avec les classificateurs basés sur une arborescence (Random Tree, Random Forest); le classificateur Random Tree a obtenu la plus grande exactitude de classification (91,3%). Alors que les autres caractéristiques, dites standards, sont plus appropriées avec les machines à vecteurs de support (SVM) que les classificateurs basés sur des arbres; où SVM atteint 89,1% d’exactitude, 91,1% de rappel et 89,1% de précision. En conclusion des résultats de la recherche, le classifieur Random Tree a obtenu les taux de performance de classification les plus élevés - avec 91,3% d'exactitude, de rappel et de précision - en utilisant les caractéristiques MFCC (écart-type et Kurtosis).

Date	16 mars 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Sylvie Ratté (Directeur(-trice))