fa مروری بر روش‌های تحلیل سیگنال صوت مبتنی بر یادگیری ماشین در تشخیص بیماری پارکینسون تخصصي Special علمی- ترویجی Scientific-extension <span style="font-size:12pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">بیماری پارکینسون به‌عنوان یک بیماری پیش‌رونده عصبی شناخته شده است. مناطق مختلف مغز انسان در اثر این بیماری آسیب می‌بیند و هنوز درمان قطعی ندارد. افراد مسن بیشتر از این بیماری رنج می‌برند و آمارها نشان می‌دهد که تعداد افراد مبتلا در حال افزایش است. تشخیص اولیه و ارزیابی وجود و یا شدت بیماری پارکینسون در کنترل پیشرفت بیماری بسیار مهم است. امروزه روش‌های بی‌درنگ و غیرتهاجمی مبتنی بر تحلیل سیگنال صوت، با به‌کارگیری روش‌های یادگیری ماشین موردتوجه قرار گرفته است.<span style="color:black"> روش‌های </span>یادگیری ماشین <span style="color:black">معمولاً با یک خط لوله شفاف مشخص می‌شوند که نتایج</span></span></span><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> را</span></span></span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="color:black"> بسیار قابل تفسیر می‌کنند. </span></span></span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">به‌طور خاص، ویژگی‌های آکوستیک در بسیاری از روش‌های یادگیری ماشین استفاده می‌شوند و همچنین می‌توانند به‌عنوان شاخص‌های وضعیت کلی صدای افراد عمل کنند. هدف این مطالعه‌ی مروری، شناسایی کاربردی‌ترین و امیدوارکننده‌ترین روش‌های یادگیری ماشین در تشخیص بیماری است. در این مقاله ارزیابی برای شناسایی ویژگی‌های پرکاربرد و مؤثرترین ویژگی‌ها در تشخیص زودهنگام پارکینسون و همچنین الگوریتم‌ها، مجموعه داده‌های رایگان و جعبه‌ابزارهای کاربردی در این حوزه مرور شده است</span></span><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">.</span></span></span></span></span></span><br> &nbsp; <span style="font-size:12pt"><span new="" roman="" style="font-family:" times="">Parkinson&#39;s disease is known as a progressive neurodegenerative disease. Different areas of the human brain are damaged by this disease and there is still no definitive cure for it. Older people suffer more from this disease and statistics show that the number of people affected is increasing. Early diagnosis and assessment of the presence or severity of Parkinson&#39;s disease are very important in controlling the progression of the disease. Nowadays, real-time and non-invasive methods based on audio signal analysis, using machine learning methods, have received attention. Machine learning methods are usually characterized by a transparent pipeline that makes the results highly interpretable. In particular, acoustic features are used in many machine learning methods and can also act as indicators of the general condition of people&#39;s voices. The aim of this review is to identify the most applicable and promising machine learning methods in the diagnosis of the disease. This paper reviews the evaluation to identify the most commonly used and effective features in early detection of Parkinson&#39;s, as well as algorithms, free datasets, and practical toolkits in this field.</span></span><br> &nbsp; پردازش گفتار, تحلیل گفتار, استخراج ویژگی, یادگیری ماشین, بیماری پارکینسون. speech processing, speech analysis, feature extraction, machine learning, Parkinson's disease. 28 36 http://kiaeee.ir/browse.php?a_code=A-10-521-1&slc_lang=fa&sid=1 محبوبه هوشمند ma.houshmand@iau.ac.ir 10031947532846001210 10031947532846001210 Yes الناز حقیقت نژاد e.haqiqatnejad@iau.ac.ir 10031947532846001211 10031947532846001211 No سید عابد حسینی sa.hosseini@iau.ac.ir 10031947532846001212 10031947532846001212 No