المنهجية الشاملة لتحضير البيانات وتقييم الخصائص في الكشف عن مرض باركنسون: تطبيق إطار عمل CRISP-DM على تحليل الإشارات الصوتية
DOI:
https://doi.org/10.61952/jlabw.v1i4.216الكلمات المفتاحية:
مرض باركنسون، الإشارات الصوتية، التعلم الآلي، منهجية CRISP-، الذكاء الاصطناعي القابل للتفسير (XAI)، أهمية الخصائصالملخص
يهدف هذا البحث إلى تقديم منهجية تفصيلية وموثوقة لتحضير وتحليل البيانات الصوتية للكشف المبكر عن مرض باركنسون (PD). اعتمدت الدراسة على إطار العمل القياسي CRISP-DM لتنظيم مراحل العمل، بدءاً من دمج مجموعة بيانات صوتية من مصادر متعددة، مروراً بمراحل المعالجة المسبقة الضرورية مثل توحيد البيانات (Standardization) وتقسيمها لاختبار النماذج. ولتجاوز مشكلة "الصندوق الأسود" وتعزيز الثقة السريرية، ركز البحث على تطبيق مبادئ الذكاء الاصطناعي القابل للتفسير (XAI). تم استخدام نموذج الغابات العشوائية (RF) الفائز من الدراسة الأولى لتحديد وتقييم الأهمية النسبية لـ 16 خاصية صوتية. أظهر التحليل أن الخصائص غير الخطية، وتحديداً PPE (انتروبيا فترة النبرة) و RPDE (كثافة فترة التكرار)، هي الأكثر تأثيراً في قرار التشخيص، مما يؤكد أن التغيرات في تعقيد الإشارة الصوتية هي مؤشرات حيوية قوية للمرض. يقدم هذا العمل خريطة طريق منهجية واضحة ومفسّرة، توصي بالتركيز على هذه الخصائص كأولوية قصوى لتطوير أنظمة تشخيصية آلية فعالة وآمنة.
المراجع
Ahmadi, A., et al. (2022). Deep learning for detecting Parkinson’s disease from speech signals using MFCC features. Biomedical Signal Processing and Control, 72, 103289. https://doi.org/10.1016/j.bspc.2021.103289
Berry, M. J. A., & Linoff, G. S. (2004). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management (2nd ed.). Wiley.
Kim, J., et al. (2024). Explainable machine learning model for Parkinson’s disease diagnosis from voice features. Computers in Biology and Medicine, 169, 107675. https://doi.org/10.1016/j.compbiomed.2024.107675
Lage, I., et al. (2019). Interpretable machine learning for healthcare: A comparative study of explanations generated for clinical predictive models. Bioinformatics, 35(17), 2959–2967. https://doi.org/10.1093/bioinformatics/btz084
Little, M. A., et al. (2019). The role of nonlinear dynamics in diagnosing voice disorders from sustained phonation. Journal of Voice, 33(2), 195.e1–195.e10.
Singh, R., & Samaria, D. (2021). A systematic review on Parkinson’s disease detection using speech and machine learning techniques. Journal of King Saud University – Computer and Information Sciences, 33(10), 1185–1195. https://doi.org/10.1016/j.jksuci.2019.06.010
Tsanas, A., & Little, M. A. (2009). Accurate automated diagnosis of Parkinson’s disease from sustained vowels. In 2009 International Conference on Machine Learning and Applications (pp. 714–719). IEEE.
Tsanas, A., et al. (2020). Novel speech signal processing algorithms for robust detection of Parkinson’s disease. IEEE Transactions on Biomedical Engineering, 57(12), 2955–2966.
Zhao, H., et al. (2023). Integrating multi-source voice datasets with CRISP-DM methodology for Parkinson’s disease detection. Artificial Intelligence in Medicine, 140, 102635. https://doi.org/10.1016/j.artmed.2023.102635
Abdusamea Omer, Rabyah B. Ali, Ahmed Al-Siddiq Masoud Al-Dabbashi, & Ali Abdulhamid Ali Al-Halak. (2025). A Comparative Study of Machine Learning and Deep Learning Models for Early Detection of Parkinson’s Disease Using Voice Features. African Journal of Advanced Pure and Applied Sciences (AJAPAS), 4(4), 106–113.
