La voce come strumento diagnostico nella Malattia di Parkinson: analisi del segnale vocale e applicazioni di Machine Learning

La Malattia di Parkinson (MP) è una patologia neurodegenerativa cronica e progressiva che incide sul controllo dei movimenti e sull’equilibrio, causando tremore, rigidità e rallentamento motorio. La diagnosi precoce e il monitoraggio in tempo reale del progredire della malattia sono di fondamentale importanza per l’adozione di piani terapeutici tempestivi ed efficaci. I disturbi della voce e del linguaggio, presenti nel 75-90% dei pazienti affetti da MP, sono tra i sintomi precoci più comuni: causati da alterazioni anatomo-fisiologiche dell’apparato respiratorio, fonatorio e articolatorio, possono arrivare ad anticipare di 10 anni la comparsa dei classici sintomi motori. Questo rende l’analisi della voce un biomarcatore non invasivo ed economico di grande potenziale. L’elaborato si propone di analizzare segnali vocali di pazienti affetti da MP e di soggetti sani provenienti dal dataset "Italian Parkinson's Voice and Speech" (IEEE Dataport) e di estrarre i parametri acustici più informativi per la diagnosi anticipata di MP. Tra le possibili caratteristiche vocali correlate alla comparsa della malattia, l’analisi proposta si concentra su frequenza fondamentale, jitter, shimmer, Harmonic to Noise Ratio (HNR), Mel-Frequency Cepstral Coefficients (MFCC), spectral centroid e spectral flatness. I parametri estratti vengono poi utilizzati per l’addestramento e la valutazione di modelli di machine learning per un processo diagnostico automatico. Tra i possibili algoritmi implementabili, l’analisi propone l’utilizzo dei modelli Support Vector Machine (SVM) e k-Nearest Neighbors (kNN), dividendo casualmente il dataset in 70% training e 30% testing.