La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Computer based technique to detect depression in Alzheimer patients

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Abdallah, Bashar (2020). Computer based technique to detect depression in Alzheimer patients. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (818kB) | Prévisualisation
[img]
Prévisualisation
PDF
Télécharger (345kB) | Prévisualisation

Résumé

Depression is common among Alzheimer's patients in the early and middle stages of Alzheimer, it is estimated that 30% of Alzheimer patients are suffering from depression. Depression in Alzheimer patients can lead to more cognitive decline. There is no official test that diagnoses depression in Alzheimer patients which is a challenge for the medical communities. This research aimed to help the medical communities in this challenge, by presenting machine learning models that classify AD and MCI patients into two classes (depressive and non-depressive). 276 participants (mean age 70.9) are selected from the Pitt Corpus of Dementia Bank.

The interviewer’s voice and the silences are removed from the audio records as a preprocessing task. Different features are extracted from the patient's speech to achieve this task. For instance, MFCC’s, Spectral Centroid, Spectral Roll-Off Point, and others. We used three traditional classification techniques (SVM, Random Tree, and Random Forest). The Artifical Neural Networks (ANN) is used also to provide an idea of how this project can be extended. Bootstrapping method is used to solve the sampling bias – 70% of the patients are not suffering from depression.

From the results, MFCC’s features set is more appropriate with tree-based classifiers than SVM, where the Random Tree classifier achieved the highest classification accuracy (91.3%). While the other features set are more appropriate with SVM than tree-based classifiers, where SVM achieved 89.1% accuracy, 91.1% recall, and 89.1% precision. As a conclusion of the research results, the Random Tree classifier performed the highest classification performance rates – with 91.3% for accuracy, recall, and precision - using MFCC’s features (Standard Deviation and Kurtosis).

Titre traduit

Techniques informatiques pour détecter la dépression chez des patients Alzheimer

Résumé traduit

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).

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Thesis presented to École de technologie supérieure in partial fulfillment of the requirements for the degree of a master's degree with thesis information technology engineering". Comprend des références bibliographiques (pages 31-33).
Mots-clés libres: alzheimer, déficience cognitive légère, dépression, détection automatique
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Ratté, Sylvie
Programme: Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt: 14 juill. 2020 20:25
Dernière modification: 14 juill. 2020 20:25
URI: https://espace.etsmtl.ca/id/eprint/2503

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt