[논문]Mahalanobis Taguchi System을 이용한 파킨슨병 환자의 음성분석을 통한 진단에 관한 연구

홍정의

Abstract ▼ AI-Helper

Human voice reacts very sensitively to human's minute physical condition. For instance, human voice disorders affect patients profoundly especially in the case of Parkinson's disease. Acoustic tools such as MDVP, can function as an equipment that measures various voice in different objects. Many dif...

Human voice reacts very sensitively to human's minute physical condition. For instance, human voice disorders affect patients profoundly especially in the case of Parkinson's disease. Acoustic tools such as MDVP, can function as an equipment that measures various voice in different objects. Many different approaches have been applied for analyzing the voice disorders for diagnosis of Parkinson's disease. According to the voice data of suspected Parkinson's patients from UCI Machine Learning Repository, it is reported to have 23 people with Parkinson's disease and 8 healthy people. Applying Mahalanobis Taguchi System (MTS) for diagnosis of Parkinson's disease, the correct diagnosis performance is compared to previous research results.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 기존의 음성연구데이터를 Mahalanobis Taguchi Systme을 이용하여 진단한 결과를 기존의 진단방법과 비교하고 나아가 최적화 과정을 통해 불필요한 진단 변수를 제거하고 파킨슨병의 진단에 큰 영향을 미치는 변수만을 이용하여 진단에 활용함으로써 보다 효율적인 진단방법을 제시하고자 한다.
이는 근육이 경직되어 발생하는 것으로 알려져 있다. 본 연구는 파킨슨 증상을 나타내는 환자의 음성 데이터를 분석하여 각각의 진단 항목과 파킨병 과의 상관관계를 관찰하고 나아가 효과 적인 음성분석을 통한 파킨슨병의 진단방안을 제시 하고자 한다. Mahalanobis Taguchi System은 다수의 변수를 포함하는 이러한 다변량 시스템의 해석에 아주 효과적으로 활용되어져 왔고[10, 11, 12, 13] 최적화 해석 과정을 통해 보다 경제적이고 효과적으로 새로운 진단의 방법을 제시 할 수 있을 것으로 판단된다.

제안 방법

다음은 상대적으로 큰 음의 Gain 값을 가지는 변수 A2, A3, A5를 변수 항목에서 제거한 후 13개의 변수만을 가지고 파킨슨병의 진단을 실시하여 전 변수를 사용하여 진단한 결과와 비교하여 보았다<;표 7>.
5이상인 8개의 데이터를 이상치로 판단하였으며, 파킨슨 환자의 데이터에서는 MD값이 3이상인 6개의 데이터를 이상치로 판단하였다. 다음은 진단을 위한 MS설정을 위해 정상인그룹에서 38개의 데이터 그리고 파킨슨 환자의 그룹에서 13개의 데이터를 임으로 선택하여 정상그룹(Normal)과 비정상 그룹(Abnormal)으로 분리 하였다.
데이터는 먼저 정상인의 데이터와 파킨슨환자의 데이터를 분리하여 각각의 MD를 계산하여 이상치(Outlier)로 여겨지는 데이터를 제거하였다. 정상인그룹에서는 MD값이 1.
마지막으로 직교 L32 직교 배열표와 망대특성의 SN 비를 이용하여 각각의 변수의 중요도를 분석하였다. 16개의 변수를 적절하게 배치하기 위해서는 L32 OA를사용하였으며 망대특성의 SN비를 사용하였다.
식 (3) 직교 배열표에서 Level 1은 변수를 사용한 경우이고 Level 2는 변수를 사용하지 않은 경우를 의미 한다. 직교배열표의 조합에 따라 13개의 비정상 집단의 데이터를 이용하여 MD 값을 계산하였으며 이를 근거로 각각의 SN비를 계산 하였다.

대상 데이터

마지막으로 직교 L32 직교 배열표와 망대특성의 SN 비를 이용하여 각각의 변수의 중요도를 분석하였다. 16개의 변수를 적절하게 배치하기 위해서는 L32 OA를사용하였으며 망대특성의 SN비를 사용하였다. 식 (3) 직교 배열표에서 Level 1은 변수를 사용한 경우이고 Level 2는 변수를 사용하지 않은 경우를 의미 한다.
본 연구를 위한 음성데이터는 UCI machine learning depository의 음성데이터를 이용하였으며, 사용된 음성 데이터는 23명의 파킨슨 환자의 음성과 8명의 정상인의 음성을 같은 항목을 변수로 하여 6번 또는 7번 반복 측정 48개의 정상인 데이터 그리고 147개의 파킨슨병 환자의 데이터를 포함한 총 195개의 데이터를 가지고 분석을 시행 하였다.
진단을 위한 MTS 기법은 적절한 정상집단 및 비정상 집단의 선정을 통한 Mahalanobis Space만 만들 수있다면 진단에 필요한 전문적인 지식 없어도 효과적으로 활용 할 수 있다. 본 연구에 사용된 데이터는 옥스퍼드 대학에서 Nonlinear Recurrence를 통한 해석에 사용된 동일 데이터를 사용 하였다. 이 방법을 통한 진단 성공률은 91.
두 번째는 이렇게 구해진 MS 공간의 유효성을 판단한다. 이를 위해서 MS 공간 밖의 측정값 즉 비정상 또는 건강하지 않은 데이터를 이용한다. 이러한 집단의 MD를 구하기 위해서 정상 또는 건강한 집단으로 단위 MS를 구성하는 평균, 표준편차 그리고 상관행렬을 이용한다.
정상그룹을 기준으로 설정된 MS를 이용하여 이상치를 제거하기 전의 195개 전 데이터에 대한 진단을 실시하였다. 정상그룹과 파킨슨병을 구별하는 Thresh value는 2로 설정하였다.
데이터는 먼저 정상인의 데이터와 파킨슨환자의 데이터를 분리하여 각각의 MD를 계산하여 이상치(Outlier)로 여겨지는 데이터를 제거하였다. 정상인그룹에서는 MD값이 1.5이상인 8개의 데이터를 이상치로 판단하였으며, 파킨슨 환자의 데이터에서는 MD값이 3이상인 6개의 데이터를 이상치로 판단하였다. 다음은 진단을 위한 MS설정을 위해 정상인그룹에서 38개의 데이터 그리고 파킨슨 환자의 그룹에서 13개의 데이터를 임으로 선택하여 정상그룹(Normal)과 비정상 그룹(Abnormal)으로 분리 하였다.

데이터처리

이러한 모든 계산과정은 Matlab 소프트웨어와 Excel을 이용하여 프로그램을 통해 계산 했다. 정상그룹의 MD 값은 2를 넘지 않았으며 파킨슨 환자의 MD 값은 정상 그룹과 비교하여 상당히 큰 값을 나타냈다.
이를 위해서 MS 공간 밖의 측정값 즉 비정상 또는 건강하지 않은 데이터를 이용한다. 이러한 집단의 MD를 구하기 위해서 정상 또는 건강한 집단으로 단위 MS를 구성하는 평균, 표준편차 그리고 상관행렬을 이용한다. 단위 공간이 유효하다면 비정상 또는 건강하지 않은 집단의 MD 값은 정상 또는 건강한 집단의 MD 값보다 훨씬 커서 구별이 뚜렷할 것이다.

이론/모형

MTS에서 MS는 정상 또는 건강한 그룹의 표준화된 변수들을 이용하여 구할 수 있으며 이를 이용하여 건강한 그룹과 건강하지 못한 그룹을 구분하는 지표로 삼을 수 있다. MS가 구해지면 변수들 중 측정치에 영향을 미치는 정도를 판단하기 위하여 S/N비(Signal to Noise Ratio)와 직교배열표(Orthogonal Array：OA)를 이용한다. MTS의 일반적인 적용절차는

성능/효과

이는 정상 집단의 MD 값은 1에 근접함으로 적절한 기준집단 선정이 이루어 졌다고 판단할 수 있다. 또한 정상그룹을 MS를 기준으로한 파킨슨 환자의 MD 값을 계산한 결과 그 평균값은 412 로 상당히 큰 값을 나타내고 있다. 따라서 설정된 기준집단은 유효한 것으로 판단된다.
이 방법을 통한 진단 성공률은 91.8±2.0%로 이상치를 제거 한 후 얻은 본연구의 진단 성공율 94,48%보다 낮은 것으로 나타났다.
이상치 제거 전 Type 1 error로 나타난 42번 49번 50번 환자의 경우 8개의 데이터가 이상치로 나타났으며 따라서 이상치를 제거 할 경우 Type 1 error의 수는 15개에서 7개로 줄일 수 있었다. Type 2 error의 수는 이상치 제거 전후 3개로 변함이 없었다.
일반적인 MTS 절차에 따라 정상집단으로부터 상관 행렬과 역행렬 함수를 얻을 수 있고 이를 바탕으로 각각의 데이터에 대한 MD의 값을 계산 할 수 있다 31개 데이터의 MD의 평균값을 계산한 결과 평균 MD =0.9696의 값을 얻었다. 이는 정상 집단의 MD 값은 1에 근접함으로 적절한 기준집단 선정이 이루어 졌다고 판단할 수 있다.
이러한 모든 계산과정은 Matlab 소프트웨어와 Excel을 이용하여 프로그램을 통해 계산 했다. 정상그룹의 MD 값은 2를 넘지 않았으며 파킨슨 환자의 MD 값은 정상 그룹과 비교하여 상당히 큰 값을 나타냈다. 따라서 선택된 정상그룹을 통한 MS는 효과적으로 파킨슨 환자의 진단에 활용될 수 있었다.

후속연구

정상그룹의 MD 값은 2를 넘지 않았으며 파킨슨 환자의 MD 값은 정상 그룹과 비교하여 상당히 큰 값을 나타냈다. 따라서 선택된 정상그룹을 통한 MS는 효과적으로 파킨슨 환자의 진단에 활용될 수 있었다.
0%로 이상치를 제거 한 후 얻은 본연구의 진단 성공율 94,48%보다 낮은 것으로 나타났다. 또한 변수가 진단에 미치는 영향을 분석하여 불필요한 변수를 제거함으로써 진단의 위한 시간적 경제적으로 효과적인 방법이 될 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	파킨슨병은 무엇인가?	사람의 말소리는 미세한 몸의 상태변화에 민감하게 반응하면 연령 또는 건강상태에 따라 변하기도 한다. 파킨슨병은 신경전달물질인 도파민의 결핍으로 신체의 운동기능이 퇴행하는 대표적인 신경계 퇴행성 질환이다. 사지 근육경직, 휴지기 진전, 운동 완만 또는 자세 불안정의 특징적인 임상증상을 보인다.
	MTS 방법의 장점은?	또한 설정된 측정공간으로부터의 진단의 정확도를 평가하기 위하여 다구찌 방법이 사용되어 진다[8, 9]. 이러한 MTS 방법의 장점은 다변량 함수해석에 매우 중요한 변수들 간의 상관관계를 고려한다는 것이다.
	파킨슨병 환자의 언어장애는 왜 발생하는가?	파킨슨병 환자의 언어장애 특징은 전반적으로 음성이 힘이 없어지고, 단조로워 지며, 연속적으로 발음할 때 음성의 강도변화가 점차적으로 감소하며, 발음이 정확하지 못한 특징이 있다. 이는 근육이 경직되어 발생하는 것으로 알려져 있다. 본 연구는 파킨슨 증상을 나타내는 환자의 음성 데이터를 분석하여 각각의 진단 항목과 파킨병 과의 상관관계를 관찰하고 나아가 효과 적인 음성분석을 통한 파킨슨병의 진단방안을 제시 하고자 한다.

참고문헌 (17)

장영애, 김용덕, 반제천, 성철재; '파킨슨변 환자와 정상노인의 음성비교', 말소리와 음성과학, 1(1) :99-107, 2009
이옥분, 정옥란, 고도흥; “강도및 음도조절을 이용한 훈련이 파킨슨병 환자의 음성및 발화 명료도 개선이 미치는 효과”, 음성과학 8(3) : 173-184, 2001

원문보기 상세보기
최성희, 김향희, 이원용, 최홍식; "파킨슨증의 음성진전：감별진단을 위한 예비연구" 음성과학, 12(3): 19-23, 2005, 9

원문보기 상세보기
Max A Little, P. E. Mcshary, S. J. Roberts, D. A. Costello and I. M. Moroz; “Exploiting Nonlinear Recurrence and Fractal Scaling Properties for Voice Disorder Dection,” Biomedical Online, 6 : 23, 2007, 6

상세보기
Felix Javier Jimenez-Jimenez, et. al.; “Acoustic Voice analysis in untreated patients with Parkinson’s disease,” Parkinson’s and Realted Disorders, 3(2) : 111-116, 1997, 4

상세보기
Julia K. MacCallum, et al.; “Acoustic Analysis of asperiodic voice perturbation and nonlinear dynamic properties in esophagcal phonation,” Journal of Voice, 23(3) :283-290, 2003, 5

상세보기
Javier Gamboa et al.; “Acoustic Voice Anaysis in patients with Parkinson’s disease treated with dopaminergic drugs,” Journal of Voice, 11(3)：314-320, 1997, 9

상세보기
Taguchi, G and R. Jugulum; The Mahalanobis-Taguchi Strategy : A Pattern Technology System, John Wiley and Sons, Inc., 2002
Taguchi, G and R. Jugulum; “New Trends in Multivariate Diagnosis,” Indian Journal of Statistics, 62(B) : 2 233-248, 2000
홍정의, 권홍규; 'Mahalanobis Taguchi System을 이용한 다변량 시스템의 해석에 관한 연구', 한국 산업 경영시스템학회지, 32(1) : 20-25, 2009, 3

원문보기 상세보기
홍정의, 권홍규; “Mahalanobis Taguchi System을 이용한 자동차 브레이크 성능 만족도를 고려한 설계조건 선정에 관한 연구”, 한국 산업경영시스템 학회지, 30(1) : 41-47, 2007, 3
Hong, Jung-Eui, Cudney E. A., Taguchi G, Jugulum R., Paryani K. and Ragsdell K.; “A Comparison study of Mahalanobis Taguchi System and nueral network for multivariate pattern recognition,” 2005 ASME IMECE Proceedings, Orlando FL.
E. A. Cudney, Jung-Eui Hong, Rajesh Jugulum, Kioumars Paryani, Kenneth M. Ragsdell and Genishi Taguchi; “An Evaluation of Mahalanobis Taguchi System and Neural Network for Multivariate Pattern Recognition,” Journal of Industrial and System Engineering, 1(2) : 139-150, 2007
Lande, U.; “Mahalanobis Distance : A Theoretical and Practical Approach,” http://biologi.uio.no/fellesavdelinger/finse/spatialstats/Mahalanobis%20distance.ppt, 2003
Hayashi, S., Y. Tanaka, and E. Kodama; “A New Manufacturing Control System using Mahalanobis Distance for Maximizing Productivity,” IEEE Transactions, 59-62, 2001
R. Jugulum, G. Taguchi, S. Taguchi and J. Wilkins; “Discussion of A review and analysis of Mahalanobis- Taguchi System,” Technometrics, 45(1), 2003, 2
R. Jugulum and L. Monplaisir; “Comparison between Mahalanobis-Taguchi-System and Artificial Neural Networks,” Journal of Quality Engineering Society, 10(1) : 60-73, 2002

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] Mahalanobis Taguchi System을 이용한 파킨슨병 환자의 음성분석을 통한 진단에 관한 연구
Diagnosis of Parkinson's Disease by Voice Disorder Using Mahalanobis Taguchi System 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] Mahalanobis Taguchi System을 이용한 파킨슨병 환자의 음성분석을 통한 진단에 관한 연구 Diagnosis of Parkinson's Disease by Voice Disorder Using Mahalanobis Taguchi System 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

홍정의 (9)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] Mahalanobis Taguchi System을 이용한 파킨슨병 환자의 음성분석을 통한 진단에 관한 연구
Diagnosis of Parkinson's Disease by Voice Disorder Using Mahalanobis Taguchi System 원문보기

AI 본문요약
AI-Helper