Université Med V ENSET de Rabat [600551]

Université Med V ENSET de Rabat

Mémoire d'Habilitation à Diriger des Recherches

Réseau de capteurs sans fils :
Application au diagnostic de la malad ie de Parkinson

Abdelilah JILBAB

2

Remerciement s

3
Résumé
Les avancée s technologiques en traitement de signal, électronique, systèmes embarqués
et neuroscience ont permis la conception de dispositifs pour aider les médecins à mieux
suivre l’évolution des maladies neurologiques.
C’est dans ce contexte que s’intègrent nos travaux ; nous nous intéressons à l’élaboration
d’un système intelligeant pour le diagnostic et la classification des patients atteint de la
maladie de parkinson. Le système a pour objectif de quantifier l’état des personnes
souffrant de la maladie de Parkinson. Pour ce faire, les patients vont porte r des capteur s
de mouvements, qui détecte nt l'amplitude et les anomalies dans leurs mouvements ; en
plus, la voix des patients est analysée par un algorithme de traitement de signal . Le
système est composé de trois types d’équipements différents et complémentaires :
 Un réseau de capteurs sans fils pour mesurer les anomalies mo trices du patient.
Le réseau est constitué de plusieurs nœuds communicants entre eux. Ainsi on y
trouve des accéléromètre s, des électromyogrammes et des capteurs de pression
artérielle , permet tant de détecter le moindre disfonctionnement des activités
motr ices du patient .
 Un système embarqué pour le diagnostic des patients, basé sur le traitement et
l’analyse du signal vocal. Une fusion avec les données du réseau de capteur
pourra quantifier la maladie permettant au médecin de suivre efficacement
l’évolutio n de celle -ci.
 Un boitier électronique qui enregistre les données, crée des statistiques et
communique directement les informations aux médecins en charge du suivi d e la
maladie.
En effet, l es troubles cognitifs chez les patients parkinsoniens est un moye n efficace pour
quantifier les niveaux d’évolution de la maladie de Parkinson. Dans ce contexte n ous
avons mis en œuvre une méthode de classification de cette maladie en se basant sur le
traitement de signal vocal du patient. Cette méthode permet d’extrair e les
caractéristiques particulières de la voix qui forment une empreinte de la maladie de
Parkinson. Ainsi en analysant ces caractéristiques il est possible de faire la détection
précoce de la maladie , et le suivi de manière efficace de l’évolution des ét ats des patients.
Le deuxième axe de notre recherche est orienté vers l’ optimisation et l’adaptation des
réseaux de capteurs sans fils. Ces réseaux peuvent être utilisés par les médecins pour
fiabiliser le diagnostic de la maladie de parkinson. En effet le tremblement est l’un des
symptômes les caractérisant cette maladie ; il est généralement progressif en
commençant de s main s pour atteindre les jambes , en passant par la tête . L’exploitation
de ce symptôme pour quantifier la maladie est difficile avec de simples capteurs, car il
est détecté principalement au repos , et il disparait en cas de mouvements volontaires.
L’utilisation d’un réseau de capteurs avec des nœuds coopératifs permet de surmonter
ces difficultés.
Un système embarqué fera l ’agrégation des mesures de l’emprunte vocale avec les
mesures des tremblements. Le médecin peut donc adapter la fréquence et la dose des
médicaments ou de stimuli du patient en fonction de son état de santé diagnostiqué en
temps réel par ce système embarqué . Ce dernier permettra de calculer les quantum s qui
reflète nt l’évolution de la maladie en fusionn ant l’analyse de la voix du patient avec les
résultats du réseau de capteur sans fils .

4

Table des matières
Structure du document ………………………….. ………………………….. ………………………….. ……………………… 8
Première partie : Curriculum vitæ et bilan quantitatif ………………………….. ………………………….. ………… 9
Bilan quantitatif ………………………….. ………………………….. ………………………….. ………………………….. . 11
Deuxième partie : Bilan scientifique qualitatif ………………………….. ………………………….. …………………. 13
Introduction ………………………….. ………………………….. ………………………….. ………………………….. ……. 14
Chapitre 1. Contexte et problématique ………………………….. ………………………….. ………………….. 15
I. La maladie de Parkinson ………………………….. ………………………….. ………………………….. …….. 16
1. Définition de la maladie ………………………….. ………………………….. ………………………….. …. 16
2. La transmission du message nerveux ………………………….. ………………………….. ……………. 16
3. Les symptôm es de la maladie de parkinson ………………………….. ………………………….. …… 16
4. Le traitement de la maladie de parkinson ………………………….. ………………………….. ……… 17
II. Modèle du circuit moteur et conduit vocal ………………………….. ………………………….. ……….. 18
1. Le potentiel d'action ………………………….. ………………………….. ………………………….. ………. 18
2. Message nerveux pour un parkinsonien ………………………….. ………………………….. ……….. 18
3. Conduit vocal ………………………….. ………………………….. ………………………….. ………………… 19
III. Technologie utilisée pour la maladie de Parkinson ………………………….. ……………………… 21
1. Stimulation cérébrale chez le parkinsonien ………………………….. ………………………….. …… 21
2. Patch électronique ………………………….. ………………………….. ………………………….. ………… 22
3. Capteurs pouvant être utilisés pour les parkinsoniens ………………………….. ………………… 22
IV. Les réseaux de capteurs ………………………….. ………………………….. ………………………….. …. 24
1. Les réseaux de capteurs sans fils ………………………….. ………………………….. ………………….. 24
2. Les réseaux de capteurs en biomédical ………………………….. ………………………….. …………. 24
3. Capteurs couramment utilisés dans les BAN ………………………….. ………………………….. ….. 25
Chapitre 2. Diagnostic de la maladie de parkinson par traitement vocal ………………………….. …. 27
I. Les caractéristiques du signal vocal ………………………….. ………………………….. …………………. 28
1. Analyse cepstrale ………………………….. ………………………….. ………………………….. …………… 28
2. L’attribut pitch ………………………….. ………………………….. ………………………….. ………………. 30
3. D’autres attributs pour les parkinsoniens ………………………….. ………………………….. ……… 31
II. Classification de la maladie de parkinson ………………………….. ………………………….. …………. 33
1. Mesures des caractéristiques de la voix ………………………….. ………………………….. ………… 33
2. Le diagnostic de la maladie de parkinson ………………………….. ………………………….. ………. 34
3. Les classificateurs de la maladie de Parkinson ………………………….. ………………………….. .. 36
III. Méthodes proposées ………………………….. ………………………….. ………………………….. ……… 39

5
1. Méthodes pour la classification ………………………….. ………………………….. …………………… 39
2. La quantification de la maladie de Parkinson ………………………….. ………………………….. …. 44
3. Critiques et limitations ………………………….. ………………………….. ………………………….. …… 45
Chapitre 3. Les réseaux de capteurs au service des parkinsoniens ………………………….. …………. 47
I. Les contraintes liées aux réseaux de capteurs sans fil ………………………….. …………………….. 48
1. Norme pour la biomédicale ………………………….. ………………………….. …………………………. 48
2. Consommation d’énergie dans les réseaux de capteurs ………………………….. ………………. 49
3. Fiabilité des mesures ………………………….. ………………………….. ………………………….. ……… 50
II. Un réseau de capteurs pour le parkinsonien ………………………….. ………………………….. …….. 51
1. Les nœuds capteurs ………………………….. ………………………….. ………………………….. ……….. 51
2. Architecture du réseau BAN ………………………….. ………………………….. ………………………… 52
3. Correction d’erreurs ………………………….. ………………………….. ………………………….. ………. 52
III. Le protocole de communi cation entre nœuds ………………………….. ………………………….. .. 56
1. Stratégie de protocole ………………………….. ………………………….. ………………………….. ……. 56
2. Utilisation de passerelle ………………………….. ………………………….. ………………………….. …. 56
3. Optimisation de l’énergie ………………………….. ………………………….. ………………………….. .. 58
IV. Fusion des données ………………………….. ………………………….. ………………………….. ……….. 58
1. Coopération des nœuds ………………………….. ………………………….. ………………………….. …. 58
2. Premier niveau de fusion ………………………….. ………………………….. ………………………….. .. 59
3. Deuxième niveau de fusion ………………………….. ………………………….. …………………………. 61
Conclusion et Perspectives ………………………….. ………………………….. ………………………….. ……………. 62
Bibliographie ………………………….. ………………………….. ………………………….. ………………………….. …… 63
Troisième partie : Publications annexées ………………………….. ………………………….. ………………………… 69

6
Liste des figures

Figure 1: potentiel d’action=signal nerveux unité ………………………….. ………………………….. …………….. 18
Figure 2: Schéma de l'organisation fonctionnelle du circuit moteur des noyaux gris centraux. ………. 19
Figure 3: Conduit vocal ………………………….. ………………………….. ………………………….. …………………….. 19
Figure 4: Génération du signal vocal ………………………….. ………………………….. ………………………….. ….. 20
Figure 5: Modèle de production vocale ………………………….. ………………………….. ………………………….. 20
Figure 6: Opération de stimula tion ………………………….. ………………………….. ………………………….. ……. 21
Figure 7: La stimulation cérébrale ………………………….. ………………………….. ………………………….. ……… 22
Figure 8: Patch électronique ………………………….. ………………………….. ………………………….. …………….. 22
Figure 9: Accéléromètre ………………………….. ………………………….. ………………………….. …………………… 22
Figure 10: Pression artérielle ………………………….. ………………………….. ………………………….. …………….. 23
Figure 11: Exemple d'électromyogramme ………………………….. ………………………….. ………………………. 23
Figure 12: Réseau de capteur en biomédical ………………………….. ………………………….. …………………… 25
Figure 13: Capteurs utilisés en BAN ………………………….. ………………………….. ………………………….. …… 25
Figure 14: Banque de filtres pour l’échelle Mel ………………………….. ………………………….. ……………….. 29
Figure 15: Courbes isosoniques ………………………….. ………………………….. ………………………….. …………. 30
Figure 16: Phonétogramme d'une personne norm ale ………………………….. ………………………….. ………. 32
Figure 17: Phonétogramme d'un parkinsonien ………………………….. ………………………….. ………………… 32
Figure 18: Diagramme d’extraction des coefficients MFCC ………………………….. ………………………….. .. 39
Figure 19: Les MFCC d’un parkinsonien ………………………….. ………………………….. ………………………….. 39
Figure 20: Les MFCC d’un parkinsonien après une quantification (Q8.0) ………………………….. …………. 40
Figure 21: Le processus de calcul des coefficients PLP ………………………….. ………………………….. ……… 41
Figure 22: Précision de classification utilisant les noyaux RBF, linéaire et polynomial …………………… 42
Figure 23: Sensibilité de classification utilisant les noyaux RBF, linéaire et polynomial. …………………. 42
Figure 24: Spécificité de classification utilisant les noyaux RBF, linéaire et polynomial. …………………. 43
Figure 25: Exactitude de classificateur SVM -RBF utilisant LOSO ………………………….. …………………….. 44
Figure 26: Moyenne d’ exactitude de classificateur à validation LOSO ………………………….. …………….. 44
Figure 27: Courbes vocales de différents patients ………………………….. ………………………….. ……………. 46
Figure 28: Exemple d’applic ation BAN ………………………….. ………………………….. ………………………….. .. 48
Figure 29: Séquence de consommation énergétique d’un nœud capteur ………………………….. ……….. 49
Figure 30: Schéma représentatif des blocs consom mateurs d’énergie ………………………….. ……………. 50
Figure 31: Nœud Type1 ………………………….. ………………………….. ………………………….. ……………………. 51
Figure 32: Nœud Type2 ………………………….. ………………………….. ………………………….. ……………………. 51
Figure 33: Nœud Type3 ………………………….. ………………………….. ………………………….. ……………………. 51
Figure 34: Réseau BAN pour les parkinsoniens ………………………….. ………………………….. ………………… 52
Figure 35: Analogie du code ‘Fountain’ ………………………….. ………………………….. ………………………….. . 53
Figure 36: Montage pour la simulation du codage LT ………………………….. ………………………….. ……….. 54
Figure 37: Taux d'erreur avec et sans codage LT ………………………….. ………………………….. ……………… 54
Figure 38: Optimisation d'énergie par codage LT en fonction de la portée ………………………….. ………. 55
Figure 39: Optimisation d'énergie par codage LT en fonction du nombre de paquets …………………… 55
Figure 40: Schéma bloc énergétique ………………………….. ………………………….. ………………………….. ….. 56
Figure 41: Algorithme du choix de passerelle ………………………….. ………………………….. ………………….. 57
Figure 42: Duréee de vie des noeud du réseau ………………………….. ………………………….. ………………… 58
Figure 43: Energie résiduelle moyenne ………………………….. ………………………….. ………………………….. . 58
Figure 44: Niveau hiérarchiq ue de fusion ………………………….. ………………………….. ……………………….. 59
Figure 45: Probabilités de mélange ………………………….. ………………………….. ………………………….. ……. 60
Figure 46: Comportement de RVS et de CUSUM ………………………….. ………………………….. ……………… 61

7

Liste des tableaux
Tableau 1 : Domaine de compétences ………………………….. ………………………. Erreur ! Signet non défini.
Tableau 2 : Enseignements assurés ………………………….. ………………………….. . Erreur ! Signet non défini.
Tableau 3 : TPs encadrés ………………………….. ………………………….. …………….. Erreur ! Signet non défini.
Tableau 4 : PFE par filière ………………………….. ………………………….. ……………. Erreur ! Signet non défini.
Tableau 5 : Projets soutenus ………………………….. ………………………….. ……….. Erreur ! Signet non défini.
Tableau 6: Résultats de classification pour différentes tailles de quantifications ………………………….. 40
Tableau 7: Coefficients calculés pour l’algorithme SVM ………………………….. ………………………….. ……. 40
Tableau 8: Résultats de classification de la technique PLP ………………………….. ………………………….. … 41
Tableau 9: Résultats de classification utilisant LOSO ………………………….. ………………………….. ………… 43
Tableau 10: Paramètres de simulation ………………………….. ………………………….. ………………………….. .. 54

8

Structure du document
Ce document décrit nos activités de recherche au sein de laboratoire de génie électrique (LGE
de l’ENSET d e Rabat) et de laboratoire de recherche en informatique et télécommunications
(LRIT de la FSR). Il est divisé en trois parties.
1. La première partie présente un bilan quantitatif. Elle démarre par un court curriculum vitæ
qui résume l’ensemble de nos activit és. Elle se poursuit par une description des aspects
factuels et quantitatifs de nos travaux : encadrement doctoral, collaborations, publications.
On trouve aussi dans cette partie quelques éléments sur les activités d’enseignement, et la
liste des publica tions scientifiques.
2. La seconde partie concerne le contenu scientifique et elle est divisée en trois chapitres.
– Le premier chapitre positionne le travail par la défini tion de la maladie de parkinson , et
un aperçu sur les réseaux de capteurs sans fil et leu rs applications dans le domaine
biomédical .
– Le second donne un résumé détaillé qui s’appuie sur les publications annexées pour le
traitement vocal appliqué au diagnosti c de la maladie de parkinson.
– Le troisième présente nos perspectives de recherches pour exploiter les réseaux de
capteurs sans fils dans l’amélior ation du diagnostic de la maladie de parkinson.
3. La dernière partie reproduit les publications relatives aux deux axes du sujet : traitement
vocal pour diagnostiquer les parkinsoniens, et optimisati on des réseaux de capteurs sans fil .

9

Première partie : Curriculum vitæ et bilan quantitatif

10

11

Bilan quantitatif

12

13

Deuxième partie : Bilan scientifique qualitatif

14

Introduction
En raison de l’augmentation de l’espérance de vie et le vieillissement de la population, la
maladie de Parkinson est de plus en plus fréquent e dans le monde . Cette maladie touche
habituellement des personnes âgées de plus de 55 ans ; on estime qu ’une personne sur 100 serait
atteinte à 65 ans, et 2 personnes sur 100 à un âge supérieur à 70 ans.
Au Maroc , des estimations épidémiologiques ont révé lées qu’environ 30 000 marocains
pourront être attein ts de la maladie de Parkinson, avec une fréquence de 4000malade/ année
[122] .
La maladie de Parkinson est caractéris ée par une contracture musculaire , un tremblement et une
lenteur des mouvements ; ces symptômes sont dus à la dégé nérescence de certaines cellules
nerveuses dans le cerveau. Cette maladie, a ppelée aussi paralysie agitante, est une pathologie
neurologique qui a un impact sur les systèmes de contrôle moteurs tels qu e la marche, la parole,
l’écriture ou certaines phases de la déglutition .
La recherche dans ce domaine donne des espoirs pour compenser les pertes motrices de s
malad es. En effet, il a été prouvé qu’un s timulus acoustique permet de retrouver l'équilibre de
l'oreille interne ; ce qui renforce la régulation des actions motrices parkinsoniens.
Un dispositif électronique, capable de générer intelligemment ces stimuli, permettra donc de
mieux réguler les orientation s des patients parkinsoniens. En plus, l’archiv age et l’analyse en
temps réel de l’état du patient aider a le médecin à poser un diagnostic plus précis et plus efficace
pour améliorer son état de santé.
Nos travaux de recherches ont été orientés vers l'élaboration d'un système embarqué associé à
un rés eau de capteurs pour diagnostiquer un patient parkinsonien .
Les troubles cognitifs chez les patients parkinsoniens est un moyen utile permettant de délivrer
une information efficace pour quantifier les niveaux d’évolution de la maladie de Parkinson.
Nous a vons mis en œuvre une méthode pour classifier cette maladie d ans quatre classe s selon
son degré d’évolution . Cette méthode est basée sur le traitement de signal vocal du patient ; elle
permet de quantifier des caractéristiques particulières de la voix qui forment une empreinte de
la maladie de Parkinson. Ainsi en analysant la voix des patients il est possible de faire :
 La détection précoce de la maladie de Parkinson ;
 La prévention et le traitement des complications à long terme de cette maladie ;
 La pris e en charge et le suivi de manière efficace de l’évolution des états des patients.
Le médecin peut donc adapter la fréquence et l a dose des médicaments ou de stimuli du patient
en fonction de son état de santé calculé en temps réel. Ainsi, un système embar qué calculera un
quantum qui reflète l’évolution de la maladie ; ce système fusionne l’analyse de la voix du
patient avec les résultats du réseau de capteur sans fils, le diagnostic est envoyé immédiatement
au médecin .

15

Chapitre 1.
Contexte et problématique

Résu mé
Dans ce chapitre, nous défini ssons la maladie de
parkinson en mettant le point sur le mécanisme de
transmission du message nerveux, les symptômes, et le
traitement de cette maladie. Nous rappelons ensuite le modèle
du circuit moteur de l’être humain et le modèle de son conduit
vocal.
Nous présentons aussi dans chapitre quelques
technologie s appliquées pour le traitement de la maladie de
parkinson.
Nous terminons ce chapitre par un bref aperçu sur les
réseaux de capteurs sans fil en général, et les ré seaux de
capteurs appliqués dans le domaine de la biomédicale en
particulier.

16

La maladie de Parkinson est un trouble neurologique complexe due à la dégradation de la
dopamine . Cette dernière est une substance chimique dans le cerveau qui a pour fonction de
contrôler le mouvement en véhicul ant l’information entre les neurones. Les symptômes d e la
maladie de Parkinson se manifestent lorsque les cellules qui produisent cette dopamine meurent
ou sont endo mmagées. La maladie de Parkinson n e réduit pas l’espérance de vie ; mais , à
mesure que l e patient vieillit , la maladie progresse, et les risques augmentent ; ainsi, un mauvais
équilibre peut entraîner par exemple des chutes.
La perte de la dopamine entraî ne l’apparition de plusieurs symptômes moteurs . Ainsi, chez les
parkinsoniens on constate des t remblements , la r igidité musculaire , une l enteur des
mouvements , et des p roblèmes d’équilibre . D’a utres symptômes sont possibles, tels que la
lenteur de l’é locut ion, la d ifficulté à écrire , des t roubles de la marche , des e xpressions faciales
réduites et des p osture s voûtée s.
Jusqu’aujourd’hui il n’existe pas de remède pour la maladie de Parkinson. Mais des traitements
des symptômes moteurs , au moyen de médicaments et de stimuli électroniques , sont de plus en
plus utilisés . Les médicament s servent à compenser le déficit de la dopamine ; quant aux stimuli
électroniques , ils imite nt les effets de la dopamine dans le cerveau. Ces moyens permettent
d’atténuer les symptô mes, mais sans freiner l a progression de la maladie. Le dosage des
médicaments ou l’intensité des stimuli doivent être modifié s en fonction de l’évolution des
symptômes.
En général les stimuli nécessitent u ne intervention chirurgicale dans le cerveau , appe lée
stimulation profo nde du cerveau . L’intervention comprend l’insertion d’une sonde dans le
cerveau qui cible les régions spécifiques pouvant contrôler les tremblements ou les mouvements
involontaires.

Un organe sensori el joue le rôle de capteur qui envoi des messages aux centres nerveux comme
par exemple attraper un objet ; un mouvement peut répondre donc à une stimulation extérieure .
Le centre nerveux peut être le cerveau ou la moelle épinière ; un nerf sensitif condui t le message
au centre nerveux correspondant . Une procédure de perception est déclenchée : le cerveau
analyse les messages nerveux sensitifs ; ensuite, il élabore des signaux nerveux moteurs en
réponse au message . Les réponses fabriqu ées à partir d’informa tions sont appelées d es stimuli.
Le cerveau relie les stimuli et les messages de tel sorte que l’ activité des récepteurs sensoriels
est déclenchée par un stimulus spécifique, provoquant ainsi la naissance de messages nerveux.

Les trois symptômes visibles de la maladie de Parkinson sont le tremblement , la raideur et la
lenteur . D’autres signes, préliminaires , accompagnent ces symptômes majeurs, et permettent de
diagnostiquer .
 Les tremblements
C’est le symptôme le plus caractéris ant la maladie de Parkinson . Il est général ement
progressif en commençant de la main, il passe à la tête , et ensuite aux jambes.

17
Ce symptôme est détecté principalement au repos , Il est lent et constant. Il s’am orti, voire
disparait en cas de mou vements volontaires et lors de sommeil.
 La rigidité
La maladie provoque une tension excessive des muscles ; les conséquences de cette tension, au
niveau des muscles et de tendons , est la production des raideurs et des douleurs ; ceci provoque
des difficul tés et même une rareté des mouvements des parkinsoniens. L’effet de rigidité se
concentre essentiellement le long de la colonne vertébrale, sur la nuqu e et autours des
articulations.
 La lenteur
La difficulté à initier ou coordonner les mouvements provoque une lenteur dans leurs
applications. Ce symptôme, appelé akinésie , est rep éré dans les mouvements complexes. Le
patient ressent de la fatigue, des engourdissements, voire même la sensation d’être bloqué. Ce
symptôme transforme considérablement le visage et la démarche du patient : son visage devient
impassible et sans expression avec une bouche entrouverte en clign otant rarement des yeux ; sa
démarche devient lente et le balancent de ses bras est dégradé , ce qui affecte sa marche.
 Les autres symptômes
D’aut res symptômes sont observés chez les patients atteints de la maladie de parkinson. Parmi
ses symptômes on retrouve ceux qui provoquent des pertes de certaines facultés, comme par
exemple la p erte de l’odorat , la s ensibilité à la douleur , les v ertiges fréqu ents, la d ifficulté
d’articul ation , les p ertes de mémoire , le m anque d’intérêt , la d épression , l’apathie , et la
confusion . Chez les parkinsonien s, on ressent une dégradation de comportement, dues à des
troubles urinaires , des t roubles d e sommeil , et à une salivation excessive . Chez ces patients, o n
trouve aussi des symptômes qui se manifestent par des m alaises , de la c onstipation , des
céphalées, et une b aisse de la tension artérielle .

Le médicament le plus utilisé pour cette maladie est l a lévodopa (L-Dopa ). C’est un traitement
qui permet de combler le manque de dopamine , et donc amélior er les troubles moteurs . Il permet
ainsi de lutter contre les trois symptômes majeurs de la maladie de Parkinson : le tremblement,
la rigidité , et la lenteur . Un autre traitement, basé sur l’ IMAO , permet de bloquer les enzymes
qui dégradent la dopamine .
La n eurostimulation est un e intervention chirurgical e qui permet d’améliorer, chez le
parkinsonien , les trois symptômes principaux . Ce traitement permet de réduire , en plus d es
symptômes moteurs, les coûts liés aux médicaments.
Grâce aux médicaments et opérations chirurgicales existantes à nos jours, il est possible de
contrôler les symptômes de la maladie de parkinson . Ceci garanti aux malades de mener une
vie normale durant de nombreuses années. Malheureusement, jusqu’à maintenant il n’ex iste pas
de remède pour arrêter complètement la progression de la maladie .
Aussi, jusqu’au nos jours il n’existe pas d’appareil pour diagnostiquer la ma ladie de parkinson.
Il existe toutefois une échelle universelle pour cette maladie : L’UPDRS ( Unified Parkinson
Disease Rating Scale ). Les neurologues peuvent déterminer l’évolution et la dégradation de la
santé d es patient s en se basant sur cette échelle :

18
 Stade 1 : les premiers signes qui ne gênent pas la vie quotidienne ;
 Stade 2 : des s ignes qui commencent à entraîner une légère gêne ;
 Stade 3 : posture modifiée, pas d’handicap grave, Autonomie encore complète ;
 Stade 4 : handicap plu s sévère, marche encore possible, a utonomie limitée ;
 Stade 5 : marche impossible, p erte complète de l’autonomie .

Les cellule s sont électriquement neutre s ; elles contien nent le même nombre de charges
positiv es et négatives. Cependant, une DDP ( différence de potentiel ) existe entre un point
interne et un point externe de la cellule. Cette DDP est variable selon les cellules ; elle est
appelée potentiel de repos ou potentiel de membrane . Pour cellule nerveuse l a face i nterne est
électronégative par rapport à la face externe qui est électropositive ; la DDP pour cette cellule
est de -70 mV .

Figure 1: potentiel d’action=signal nerveux unité
Une cellule nerveuse stimul ée répond par l’inversion brève et rapide de sa polarisation ; la face
interne de la membrane devient localement électropositive par rapport à la face externe , c’est
la dépolarisation. Après un bref délai, la membrane retrouve sa polarité, c’est la repolarisation.
La vitesse de propagation d es messages nerveux le long d’une chaîne de neurones varie entre
1ms et 100 ms ; elle dépend du calibre des fibres et de la présence de myéline. Deux contraintes
sont regroupées pour coder l e mess age nerveux : codage d'intensité = fréquence / fibre + nombre
de fibres recrutées
 fréquence / fibre : la fréquence des potentiels d'action conduits par une fibre nerveuse.
 nombre de fibres recrutées : le nombre de fibres nerveuses utilisées.

Les neurones dopamine rgiques de la substance noire pars compacta (SNc) sont responsable des
informations relatives aux mouvement s d’un individu. L e fonctionnement du système nerveux
d’un parkinsonien est perturbé par la chute du taux de dopamine dans les noyaux gris centraux
concernés . Ainsi l a dégénérescen ce des neurones dopaminergiques affecte le transfert des
messages nerveux entre les neurones dans le cerveau.
La mort massive des neurones dopaminergique s de la pars compacta conduit à l’atténuation de
la voie directe et l’amplification de la voie indirecte dans le circuit moteur des noyaux gris
centraux [121] . L’activité du pallidum interne est donc fortement augmentée dans la MP. Cette
dérégulation dopaminergique en cascade dans le circuit moteur est à l’origine de l’inhibition

19
majeure du thalamus moteur et par là même de la perte de l’activation normale des aires
motrices corticales.

Figure 2: Schéma de l'organisation fonctionnelle du circuit moteur des noyaux gris
cent raux .
En blanc : liaison excitatrice ; en bleu : liaison inhibitrice .
GPE : globus pallidus externe, GPI : globus pallidus interne, NS : noyau subth alamique, SNc :
substance noire pars compacta, SNr : substance noire pars reticula, NPP : noyau pédonculo –
pontin.

Le son vocal est la conséquence des phénomènes acoustiques et aérodynamiques, il est produit
sur un écoulement d'air provenant des poumons vers l'extérieur du corps humain. Il existe
différents mécanismes qui permettent le déplacement d'un volume suffisant de l'air afin de
rendre le phénomène audible [51].

Figure 3: Conduit vocal
Cortex
Striatu
m
GP
E
Thalamu
s
NST
SN
C
SNr/GPI
Tronc
cérébral
Moelle
NP
P
Situation normale
Cortex
Striatu
m
GP
E
Thalamu
s
NST
SN
C
SNr/GPI
Tronc
cérébral
Moelle
NP
P
Maladie de Park inson

20
Le mécanisme utilisant l'appareil respiratoire fournit l'énergie nécessaire pour générer la voix
[52]. Au cours de la génération de la voix, des changements de souffle s’adaptent au processus
vocal ; on remarque une tendance des inspirations plus brèves tandis que les expirations
deviennent plus longues. Le larynx est la première sourc e du son, c’est un régulateur de l'air
libérée des poumons ; il joue le rôle de contrôleur des cordes vocales [52].
Le phénomène d'articulation s'étend des cordes vocales jusqu’aux lèvres, il comprend les
cavités résonantes et arti culatoires :
 Le pharynx est un musculo –membrane ; il est entouré par la bouche, l'oesophage, la
cavité nasale, et le larynx [54].
 Les cavités nasales sont deux cavités cunéiformes séparées par une paroi verticale [54].
Elles sont caractérisées par une résonance nasale (twang).
 La cavité orale, se trouvant dans la bouche, est séparé de la fosse nasale par une cloison.
Dans cette cavité on trouve les articulateurs : certains sont passifs et d'autres actifs [54].
Le processus vocal est une succession d'événements sonores générant alternativement des sons
pour s’exprimer. Le signal généré est un signal pseudo -périodique ayant une zone de fréquences
plus ou moins importantes. Les maximums de l'enveloppe de ces zones de fréquences sont
appelés formants (F1, F2, F3, etc.).

Figure 4: Génération du signal vocal
Le spectre du son émis par la source (Vocal folds) est modulé par les cordes vocales et la
position des lè vres (Vocal tract) ; toute modification dans ces modulateurs permet d'obtenir des
sons différents (Voice signal).
Le modèle de production vocale est représenté dans la figure suivante :

Figure 5: Modèle de production vocale

21
Com me on peut le voir, les vibrations des cordes vocales dans le larynx génèrent un signal
périodique complexe constitué d'une fréquence fondamentale F0.
Les variations de F0 définissent la mélodie de la voix ; elles dépendent de la pression
pulmonaire et du contrôle du larynx. Quant à l'intensité de la voix, elle dépend uniquement de
la pression pulmonaire. La fréquence des formants (F1, F2 et F3) dépend de la distance entre le
point le plus élevé de la langue et le haut de la cavité buccale.

A nos jours, la stimulation cérébrale profonde permet d’ améliore r aussi bien les symptômes que
la qualité de vie des patients. Elle consiste à implanter , par opération chirurgica le, des électrodes
dans le cerveau du patient.

Figure 6: Opération de stimulation
Ces électrodes sont connectées à un dispositif mis en place sous la peau et qui délivre un courant
électrique de faible intensité . Les parties stimulé es peuvent varier selon l'indication pour traite r
la maladie de Parkinson, les tremblements, les TOC ou les dystonies.
La stimulation cérébrale profonde est une technique qui excite, par impulsions électrique , des
cellules du cerveau du patient. Pour u n parkinsonien la stimulation est appliquée au noyau sous –
thalamique (NST) ou au globus pallidus interne (GPi) qui sont responsables de la régul ation
des mouvements et de la fonction musculaire.

22

Figure 7: La stimulation cérébral e
Une sonde , implantée dans le cerveau du patient via un trou de trépan , est reliée en sous -cutané
par une extension à un neurostimulateur. La sonde est munie d'électrodes minuscules , et est
reliée à une extension sous le cuir chevelu et sous la peau du co u et de l'épaule pour la connecter
enfin au neurostimulateur.

Pour surveiller et traiter la maladie de Parkinson des chercheurs ont mis au point des patches
électroniques qui peuvent être placés sur la peau des patients. Ces patch s peuvent suivre le s
mouvement s des muscles tout en archivant les mesures . L’archivage des signaux
physiologiques pe rmet d’aider les médecins à comprendre et à traiter les maladies telles que
l'épilepsie, l'insuffisance cardiaque et la maladie de Parkinson [123] .

Figure 8: Patch électronique
Le patch comporte trois types de capteurs sur sa face supérieure : une nano -membrane en
silicone qui comprend des réseaux de capteurs de contrainte pour détecter les mou vements , des
capteurs de température basés sur des nano -fils en chrome et en or et des nanoparticules de
silice poreuses.

Accéléromètre
Il est utilisé pour déterminer et/ou surveiller la posture du cor ps : debout, ass is, à genoux,
marche, course . Cette mesure est importante pour un patient parkinsonien, et s on elle peut être
couplée avec celle d'un gyroscope .

Figure 9: Accéléromètre

23
Pression artérielle
C’est un capteur de pre ssion sanguine qui permet de mesurer la pression diastolique et
systolique en utilisant la technique oscillométrique ou par la mesure de temps de passage des
impulsions .
Un capteur minuscule , développé par des chercheurs de Fraunhofer -Gesellschaft , peut êt re
placé directement dans l'artère fémorale dans l'aine et mesure la pression artérielle du patient à
une fréquence 30Hz. Le capteur est basé sur la technologie CMOS, il ne nécessite que peu
d'énergie.

Figure 10: Pression artérie lle
Électromyogramme
L’EMG mesure les signaux électriques produits par les muscles pendant les contractions et au
repos. Il permet de diagnostiquer les anomalies du Contrôle Postural (PCS ) dues aux troubles
musculaires et nerveux chez les parkinsoniens qui se manifeste par des tremblements .
La fréquence de tremblement est inversement proportionnelle à l’amplitude ; elle varie selon le
patient et l’endroit où on la mesure. Un tremblement distal est souvent fin et rapide ; quant à un
tremblement proximal , il est lent et ample.
Le tremblement des patients parkinsonien vari en général entre 4Hz et 12Hz. Les tremblements
lents sont de 4 à 7 Hz, quant aux rapide s ils sont de 7 à 10Hz voire 12H . Des exception s sont
utilisées pour le diagnostic. En effet, le tremblem ent orthostatique primaire est supérieure à
13Hz , et les tremblements de Holmes ou cérébelleux sont inférieurs à 4Hz.

Figure 11: Exemple d'é lectromyogramme
Le tremblement essentiel nous renseigne sur la posture du patient : un tremblement postural se
manifeste au maintien d’attitude. La Figure 11 représente des signaux prélevés d'un patient
parkinsonien e n position mains tendues . On remarque deux types de signaux : l’accélération
(Acc) et l’ enregistrement électromyographie ( EMG ). Ce dernier permet de diagnostiquer le
système nerveux périphérique, les muscles et la jonction neuromusculaire. L’EMG est basé sur
trois signaux :
– Ext : muscles extenseurs
– FI : fléchisseurs des doits

24
– APB : court abduct eur du pouce
On constate la présence de bouffées rythm ées à 5 Hz sur les signaux EMG. Ces bouffées sont
responsables d’un tremblement visualisé par le signal Acc.

Le domaine des réseaux a connu de grand progrès qui sont la conséquence de la miniaturisation
des composants MEMS (Micro -Electro -Mechanical Systems) . Les MEMS sont des
micro composants qui intègrent des dispositifs de captages et de communication sans fil dans
un seul circuit, à dimension ré duite, et avec un coût raisonnable . Une nouvelle branche de
réseaux mobile s'est créée alors pour offrir des solutions économiquement intéressantes pour la
surveillance à distance et le traitement des données dans des environnements complexes : les
réseaux de capteurs sans fil ( WSN : Wireless Sensor Networks).
Ces réseaux de capteurs utilisent un grand nombre de dispositifs très petits, nommés « nœuds
capteurs », pour former un réseau sans infrastructure établie. Dans ces réseaux, chaque nœud
est capable de détecter son environnement et de traiter l'information au niveau local ou de
l'envoyer à un ou plusieurs points de collecte, à l'aide d'une connexion sans fil.
Les réseaux de capteurs ont fait naître de nombreuse problématique de recherche. Les capteurs
que nous considérons sont de petits objets équipés de modules de communication et
d'acquisition d'information, particulièrement contraints en énergie et ressources de traitement.
Déployés sur une zone sensible à surveiller, ces objets doivent économiser leu r énergie tout en
observant correctement leur environnement.
Les réseaux de capteurs sans fils sont caractérisés par :
 Les nœuds capteurs sont limités en puissance de calcul, en capacités de traitement et
en taille de mémoire ;
 Consommation électrique faib le ;
 Faible débit ;
 L'absence d'infrastructure  Auto -configurabilité ;
 Topologie dynamique à cause des changements fréquents (ajout, suppression ,
déplacement, …) pour cela ils doivent s'auto -organiser ;
 Evolutivité du nombre de capteurs ;

Le Body Area Network (BAN) est une technologie de réseau de capteurs sans fil qui consiste à
interconnecter plusieurs minuscules capteurs pouvant effectuer des mesures sur le corps
humain. Les BAN trouvent leurs applications dans le s domaines de la santé, les divertissement s,
les sport s, etc.
Les capteurs que nous considérons sont de s objets , de petites tailles, équipés de modules de
communication et d'acquisition d e mesures , particulièrement contraints en énergie et ressources
de traitement. Déployés sur le corps humain , ces objets doivent économiser leur énergie tout en
observant correctement les gestes du patient .

25

Figure 12: Réseau de capteur en biomédical
Ces capteurs ayant une caractéristique essentiel le résidant dans l’absence d’infrastructure fixe
et ayant une topologie changeant due à la mobilité des capteurs. En plus de l a sécurité et de
l’agrégation des données dans le réseau de capteurs, i l est nécessaire de prendre en
considération une stratégie pour augmenter la durée de vie d es nœuds ; cet objectif peut être
atteint avec une bonne optimisation d’énergie en agissant sur le protocole de routage .
Les réseaux de capteurs ont fait naître de nombr euse problématique de recherche ; on retient
les axes l iés aux contraintes qui nous intéressent :
– Optimisation de l’énergie ;
– Agrégation des mesures ou fusion des données ;
– Correction d’erreurs.

Actuellement, de nombreux capteurs existent dans le domaine biomédical ; plusieurs ont été
miniaturisés et sont facilement intégrable dans un réseau de capteurs.

Figure 13: Capteurs utilisés en BAN

26
Accéléromètre
Peut-être u tilisé pour déterminer si la personne est debout, assis e, en mouvement, etc. Pour
avoir plus d’information sur la posture du patient, cette mesure peut -être couplée avec celle
d'un gyroscope .
Glycémie
Ce sont des capteurs basés sur la technologie infrarouge et la détection optique . Ces capteurs
sont utilis és dans les système s non i nvasi fs de surveillance de la glycémie .
Pression artérielle
C’est un capteur non invasif pour mesurer la pression diastolique et systolique . Il utilis e la
technique oscillométrique ou la mesure de temps de passage des impulsions .
Détection de CO2
C’est un capteur pour m esure les niveaux de dioxyde de carbone gazeux . Il peut être utilisé pour
surveiller les variations de niveau de CO2 et d’oxygène durant la respiration humaine .
Électrocardiogramme
Il permet d’ enregistre r l'activité électrique du cœur (ECG). Des électrodes sont fixées sur la
peau à des endroits particuliers ; le capteur mesure la DDP entre ces points .
Électroencéphalogramme
Il permet de mesure r l'acti vité électrique dans le cerveau. Des électrodes sont fixées à div ers
emplacement du cuir che velu ; les mesures recueillies par les électrodes donnent un signal EEG.
Électromyogramme
Il permet de mesure r les signaux électriques produits par les muscles pendan t les contractions
et au repos. Des troubles musculaires et nerveux peuvent entraîner les muscles à réagir de façon
anormale. L'EMG permet de diagnostiquer des anomalies du Contrôle Postural (PCS )
Oxymètre
C’est une sonde non invasive qui m esure la saturatio n en oxygène . Elle est basée sur l’ émission
d’un signal lumineux qui passe à travers la peau et la mesure de la lumière absorbée par
l'hémoglobine oxygénée .
Capteurs d'humidité et de température
Ces capteurs sont souvent présents dans les BAN pour mesurer la température du corps humain
et / ou l'humidité de l'environ nement immédiat d'une pers onne.

27

Chapitre 2.
Diagnostic de la maladie de parkinson par
traitement vocal

Résumé
Ce chapitre résume nos travaux dans le domaine de
traitement vocal pour diagnostiquer la maladie de parkinson.
Nous rappelons tout d’abord les caractéristiques du signal
vocal, nous détaillons ensuite les attributs utilisés dans notre
cas.
Nous présentons aussi dans ce chapitre, les méthodes
de classification pour détecter les malades parkinson iens par
rapport aux personnes saintes ; ainsi que les méthodes
utilisées pour la quan tification de la maladie de parkinson.

28

Les caractéristiques du signal vocal sont fortement affectées par des propriété s temporelles du
signal. On constate que le signal de la parole est stationnaire pour d es durée s de l’ordre de 20ms
à 30ms . Les caractéristiques du signal vocal peuvent donc être déterminées dans des fenêtres
temporelle s entre 20 et 30 ms. Des modèles utilisant le fenêtrage et les caractéristiques cepstrales
ont été appliqués dans plusieurs domaines , allant de la classification [127] jusqu’à la
reconnaissance vocale [128] , [129] , [130] , [131] .
En plus des car actéristiques cepstrales, il existe d’autres caractéristiques que l’on peut extraire
d’un signal vocal. Plusieurs d’entre elles sont utilisées pour reconnaitre des classes particulières.
Dans notre recherche nous nous sommes intéressés aux caractéristiques générales non liées à
des classes particulières.

a) Le domaine cepstrale
Une a nalyse utilisant la transf ormée de Fourier de base a pour conséquent la décomposition du
signal vocal en une suite spectrale [132] . Ainsi l a Transformé de Fourier Discrète d’un signal
vocal 𝑣(𝑘) donne une série de valeurs complexes 𝑉(𝑛). En général les coefficients |𝑉(𝑛)| sont
corrélées ; ce qui donne une redondance d’information.
L’analyse utilisant l e cepstre est une façon améliorer pour obtenir une version non -corrélée du
vecteur sp ectral. En plus le calcul du cepstre donne une interprétation du modèle de production
de la parole. L’idée est de considérer q ue la suite 𝑣𝑘 constituant un signal vocal est l e résultat
de la convolution du signal de la source par le filtre corresponda nt au conduit de la voix :
𝑣(𝑘)=𝑢(𝑘)∗𝑏(𝑘) 2.1
où 𝑣(𝑘) est le signal temporel, 𝑢(𝑘) le signal excitateur, et 𝑏(𝑘) la contribution du conduit de
la voix . Le problème devient donc la sépar ation des signaux 𝑢(𝑘) et 𝑏(𝑘) par un calcul de
déconvolution.
La transform ée en Z de l’équation donne :
𝑉(𝑧)=𝑈(𝑧)×𝐵(𝑧) 2.2
⟹𝑙𝑜𝑔|𝑉(𝑧)|=𝑙𝑜𝑔|𝑈(𝑧)|+𝑙𝑜𝑔|𝐵(𝑧)| 2.3
Le cepstre est obtenu par t ransformation inverse [133] . L’expression réelle du cepstre [134] est
obtenue e n remplaçant la transformation en Z par une transformée de Fourie r discrète :
𝐶(𝑘)=𝑇𝐹𝐷−1(𝑙𝑜𝑔(𝑇𝐹𝐷(𝑣(𝑘)))) 2.4
Avec les coefficients cepstraux 𝐶(𝑘) nous pouvons donc dissociés l es effets du conduit vocal
par rapport aux excitations de la source . Théoriquement le conduit de la voix affecte
l’enveloppe du spectre fréquentiel : les premiers coefficients 𝐶(𝑘) nous renseignent sur cet
effet. La source d’excitations a généralement un caractère plus fin : les coefficients 𝐶(𝑘)
d’ordre supérieur décri vent ce phénomène .

29
a) Technique des MFCC
Afin de normaliser les coefficients 𝐶(𝑘) à la perception humaine , on applique un filtrage à
l’aide d’ une banque de filtres conformément à l’échelle de MEL [163].

Figure 14: Banque de filtres pour l’échelle Mel
On obtient alors les Mel Frequency Cepstral Coefficients (MFCC) . Les coefficients MFCC
représentent une échelle qui reflète la perception humaine av ec différentes précisions
fréquentielles . Dans cette échelle les hautes fréquences sont aperçues avec m oins de précision
que les basses fréquences conformément à l’œil humaine .
L'utilisation des coefficients fréquentiels "Cepstral" à l’echelle de Mel pour la mesure des
troubles vocaux des parkinsoniens a été proposée par Fraile et al [106] . Il a été démontré que
l'utilisation des MFCC (Mel Frequency Cepstral Coefficients) permet de réduire l’effet du
bruit ; par conséquent, la dimension de mesure est aussi réduite, ce qui facilite la classification
[107] [108] . D’autres travaux en relations, tels que Kapoor et al [109] et Bemba et al [85] ont
utilisé les MFCC avec quantification vectorielle.
Au début la technique des MFCC a été utilisée dans les systèmes de reconnaissance vocale. Elle
utilise des attributs de dimensions élevées extraites du domaine fréquentiel. L’efficacité de cette
technique pour l'analyse vocale a été prouvée expérimentalement [30]. L’utilisati on des MFCC
peut être justifiée par deux raisons empiriques. La première est que le calcul des MFCC ne
nécessite pas la détermination des "Pitch" [30] [110] . La deuxième raison est que l'analyse dans
le dom aine Cepstral pour cette application est justifiée par la présence d'informations de bruit
dans ce domaine [30] [111] , et que la technique des MFCC compresse ces informations sur le
premier coefficient Ceps tral ; ce qui réduit la dimension d’analyse et simplifie la classification
[107] [108] [112] .
b) Technique des PLP
Une autre technique appelée PLP (Perceptual Linear Prediction) proposé e par Hermansky en
1990 [113] a été utilisée dans l'identification vocale. Cette technique est similaire à la prédiction
linéaire classique (LP), à laquelle on ajoute les propriétés psychophysiques de l'audition
humaine pour estime r le spectre auditif [113] . Cela a été fait en utilisant trois concepts
principaux :
 les courbes de résolution à bande critique,
 la courbe à égale intensité sonore (loudness),
 la loi de puissance de l'intensité (loudness).

30
L'avantage de la PLP sur la LP classique est qu'elle ne conserve que les informations pertinentes
du signal vocal.
Le loudness est u ne caractéristique liée à l’intensité du signal vocal , elle dépend aussi de la
fréquence. Afin d’avoir d es courbes isosoniques on utilise souvent les courbes de Fletsher et
Munson [135] , [136] .

Figure 15: Courbes isosoniques
Ces courbes permettent de prendre en compte la perception humaine du loud ness, elles sont
standardisées par l’ISO [137] .
Le calcul de ‘Loudness ’ se fait dans le domaine fréquentiel via l’expression de l’énergie du
signal vocal pondérée par des coefficients 𝜔𝑛 à chaque bande de fréquence .
𝐸𝑇=1
𝑁∑𝜔𝑛𝑉2(𝑛)𝑁
𝑛=1 2.5
Les poids 𝜔𝑛 sont estimé s à partir des courbes isosoniques permettant ainsi la prise en compte
de la perception humaine.

Les caractéristiques du signal vocal sont affectées par les paramètres de source liés aux
vibrations des cordes vocales comme par exemple le voisement et la fréquence fondamentale.
Le pitch est l’un des paramètre s fondamental dans la production, l’analyse et la perception de
la parole. Ce paramètre est un révélateur principal de l’information phonétique, lexicale,
syntaxique et émotionnelle. Diverses techniques avancées , d’analyse et d’interprétation du
signal de parole , sont basées sur cet attribut ; le pitch entre dans leurs mise s au point et devient
en ce sens un élément essentiel dans la mise en œuvre des applications en traitement
automatique de la parole.
Le pitch une caractéristique psycho -acoustique permet tant de dissocier la voix d’une femme de
celle d’un homme. Cette caractéristique est déterminée selon deux modèles [138] :
 Le premier est un modèle de lieu pour lequel on fait une analyse spectrale où on estime
la valeur du pitch selon la relation entre ces pics des fréquences [139] .

31
 Le deuxième est un modèle de temps pour lequel le pitch est calculé par analyse
temporelle de la périodicité dans chaque bande de fréquence [140] , [141] .

a) La fréquence fondamentale
La fréquence fondamentale du signal vocale peut être calculée en passant par la fonction
d’autocorrélation . La fonction d’autocorrélation 𝜓𝑇 du signal temporel 𝑣(𝑛) est calculée par :
𝜓𝑇=∑𝑣(𝑡).𝑣(𝑡+𝑇)𝑡0+𝑁
𝑡=𝑡0 2.6
L’algorithme calculant la fréquence fondamentale se base sur la formule suivante :
𝑓0=1
𝑎𝑟𝑔𝑚𝑎𝑥 (𝜓𝑇) 2.7
b) Mesure de Jitter
Les fluctuations à court terme caractérisent en particulier des dommages morphologiques des
cordes vocales. Ces fluctuations sont la gigue (Jitter) de la fréquence fondamentale (F0), et le
miroitement (Shimmer) de l'amplitude. Il existe différentes représentations du Jitter ; Il est
calculé comme la différence absolue moyenne entre deux périodes consécutives [101] , [102] .
Le Jitter relatif est définie comme la différence moyenne entre deux périodes consécutives,
divisé par la durée moyenne du signal [101] , [102] . Le RAP (Relative Average Perturbation)
représente la moy enne relative des perturbations, calculée comme la différence entre la
moyenne d’une période et la moyenne de celle -ci et ses deux voisins, divisé par la durée
moyenne du signal [101] , [102] .
Enfin, le Jit ter PPQ5 représente les cinq points "Période Perturbation Quotient", définie comme
la différence absolue moyenne entre une période et la moyenne de celui -ci et de ses quatre
voisins les plus proches, divisé par la durée moyenne du signal [101] , [102] . La mesure du Jitter
pose de nombreux problèmes parce qu'il n'existe pas une définition formelle [31], et sa valeur
dépend de la technique de mesure de la fréquence fondamentale [53].
c) Mesure du Shimmer
Pour le Shimmer (miroitement ou chatoiement) il existe aussi plusieurs définitions. Il représente
la variation de l'amplitude crête -à-crête en décibels, calculée par la moyenne des différences
entre les amplitudes des périodes consécutives, multiplié par 20 [101] , [102] . Le Shimmer
relatif est exprimé comme étant la différence moyenne entre les amplitudes des périodes
consécutives, divisé par l'amplitude moyenne du signal, exprimée en pourcentage [101] , [102] .
Le Shimmer APQ11 représente le quotient des perturbations de 11 points d’amplitude, définie
comme la différence entre la moyenne de l'amplitude d'une période, e t la moyenne des
amplitudes de celui -ci, et ses dix plus proches voisins, divisée par l'amplitude moyenne du
signal [101] .
d) Mesure de l’Harmonicity
L'instabilité du signal apparaît comme un bruit qui s’ajoute à lui. Par conséquent, il peut être
calculé en utilisant le rapport entre l'énergie des harmoniques dans le spectre du signal et

32
l'énergie du bruit. Il existe plusieurs méthodes pour mesurer la partie apériodique du signal
vocal ; deux méthodes sont utilisées pour notre contexte :
 Le rapport HNR (Harmonic Noise Ratio) exprime l'énergie relative des harmoniques /
l'énergie bruit (en dB). Cette méthode a été proposée par Yumoto et al [103] .
 Le coefficient NNE (Normalized Noise) proposé par Katsuya et al [104] .
Dans le cas où la fréquence des vibrations n’est pas stable, les coefficients HNR et NNE ne
donnent pas une mesure précise. Pour remédier à ce problème, Qi et al [105] ont proposé une
méthode de mesu re de la HNR qui minimise les effets d'instabilité vibratoire (Jitter) [53].
e) Phonétogramme
L'idée principale de Phonétogramme est de représenter dans un plan cartésien la plage
dynamique vocale : l'intensité en fonction de la fréqu ence [53]. Cette représentation est utilisée
pour identifier les limites de la fonction vocale. La longueur du graphe nous informe sur la
dynamique des fréquences, et l'épaisseur du graphique nous informe sur la dynamique de
l’inte nsité [53].
La Figure 16 montre le Phonétogramme d'une personne normale âgée de 58 ans. Comme on
peut le constater, la dynamique tonale de la personne est de 576 Hz (soi t presque trois octaves) ,
et la plage dynamique de l'intensité est de 40 dB. Cette personne a une bonne dynamique tonale
mais sa dynamique d’intensité est insuffisante. Le centre de gravité est sur le point (220 Hz, 56
dB) [53].

Figure 16: Phonétogramme d'une personne normale
La Figure 17 montre la Phonétogramme d'un patient atteint de maladie de Parkinson. Sa
dynamique de tonalité varie de 110 à 294 Hz, qui est moins de deux octaves ; sa gam me
d'intensité est de 20 dB [53]. Le centre de gravité est sur le point (196 Hz, 57 dB) [53].

Figure 17: Phonétogramme d'un parkinsonien

33
f) Mesure de la MPT (Maximal Phonation Time)
La mesure de la MPT permet d'avoir des informations sur la capacité des organes vocaux, ainsi
que les performances de la source vocale [53]. Elle consiste à mesurer le temps de phonation
de la voyelle continue / a / [53].
g) Mesure de l’Intensité
Les troubles de la voix et la réduction de la pression sous -glottique est l’un des facteurs
importants qui fait diminuer l'intensité. La variation de valeur de l'intensité en fonction du temps
est calculée par la racin e carrée moyenne du signal vocal acoustique pour chaque fenêtre de 10
millisecondes et présenté sous la forme d'une courbe [32]. La valeur moyenne de l'intensité est
d'environ 70 dB à 30 cm de la bouche d’une personne normale, 85 d B s’il fait élevé sa voix et
105 dB s’il cri [32].

a) Les méthodes subjectives
Les mesures perceptives des troubles vocaux sont réalisées en écoutant le patient quand il parle.
Le médecin se concentre sur des aspects simples de la production vocale du patient, tels que le
pitch, l'intensité, le rythme et l'intelligibilité de son discours [91]. De nombreuses méthodes
d'analyse p erceptuelle ont été proposé es pour évaluer la qualité de la voix [92], [93], [94]. Parmi
toutes ces méthodes, l'échelle de GRBAS [93] est le plus utilisé [32], [53]. La dysarthrie dans
la maladie de parkinson peut être mesurée avec une grille de référence de la voix ; c’est une
grille multidimensionnelle appelée UPDRS (Unified Parkinson's Disease Rating Scale) [95],
[96], [97]. La grille UPDRS est intéressante pour la surveillance de la maladie de parkinson.
Elle décrit cinq étapes de gravité croissante selon la voix [32] :
 0 = voix normale
 1 = légère diminution de l'intonation et du volume
 2 = discours monotone, floue mais compréhensible, clairement perturbé
 3 = perturbation marquée de la voix difficile à comprendre
 4 = discours non intelligible.
En plus de l'UPD RS, les neurologues ont été impliqués dans d’autres approches
multidisciplinaires qui visent à regrouper les anomalies des différentes interférences dans le
fonctionnement du système de production de la voix (la respiration, la phonation, la résonance
et de l'articulation), sans pour autant ignorer les dimensions cognitives et psychologiques de la
communication de la voix [91]. Pour cette raison, ils préfèrent des méthodes plus objectives.
b) Les m éthodes objectives
Les méthodes Aérody namique
L'aérodynamique est fondamentale dans la production de la voix. Elle est à l'origine de tous les
événements sonores. En effet, la colonne d'air pulmonaire est la source du signal vocal, qui est
modulée par les différents constituants du conduit voc al [91]. Les paramètres aérodynamiques
sont formés par des courants d'air à la bouche et aux narines, en plus des pressions intra –
buccales et sous -glottique [91]. ROUSSELOT (1895) [98] est le premier qui a proposé des

34
mesures objectives aérodynamiques. La détermination des variations des paramètres
aérodynamiques en fonction des prononciations, fournit des informations sur les mouvements
des organes de l'appareil vocal du patient [99], [100] , [91].
Les mesures temps -fréquence du signal acoustique
Dans ce paragraphe, nous présentons les mesures acoustiques les plus utilisées pour détecter les
troubles vocaux dan s le contexte de la maladie de parkinson. Les mesures acoustiques
dépendent de nombreux dysfonctionnements de la voix d’un patient ; par exemple, le souffle
est en corrélation avec le rapport des harmoniques au bruit, l’asthénie avec l’intensité vocale,
et une voix forçant avec une fréquence fondamentale F0 supérieur. L'instabilité de la vibration
de la glotte est la principale cause de dysphonie. Par conséquent, la mesure de ces fluctuations
est utilisée pour quantifier la dysphonie.

Les patients parkinsoniens souffrent de la dysarthrie hypokinétique qui se manifeste sur tous
les plans de la production de la parole ; respiration, phonation, articulation, nasalisation et
prosodie. Les cliniciens et les phoniatres se basent sur la qualité de la parole, et essayent de
trouver l es causes de sa dégradation en utilisant des indices phonologiques et acoustiques .
L’analyse du signal vocal permettra d’élaborer des techniques pour classifier et quantifier les
maladie s neurologi ques. Ainsi les spécialistes auront un moyen de diagnostic plus fiable
permettant l'évaluation des effe ts de la maladie et le suivi de son évolution.
Nous avons constaté que la voix a pour origine des phénomènes aérodynamiques et acoustiques,
qui sont prod uits sur un flux d’air provenant des poumons ; nous considérons que ce phénomène
est le signal excitateur 𝑢(𝑘). Celui -ci se dirige vers l’extérieur du corps humain tout en passant
par différents organes responsables de la production de la parole ; l’effe t de ces organes est
modélisé par 𝑏(𝑘) qui la contribution du conduit de la voix . Ainsi la maladie de Parkinson n’est
qu’une affection dégénérative représent ée par un modèle particulier de dysfonctionnement du
système .
La maladie de Parkinson est l'un de s nombreux troubles neurologiques comme la maladie
d'Alzheimer et l'épilepsie. Ces maladies provoquent des effets physiques et psychologiques
incontrôlables chez les patients. La maladie de Parkinson atteint généralement les personnes
âgées de plus de 60 a ns [1]. A l'échelle mondiale, près de 10 millions de personnes souffrent de
cette maladie [2], [3].
La prise en charge des patients est très coûteuse, et ses coûts peuvent augmenter à l'avenir [4],
[5]. À nos jours, il n'existe pas de remède efficace pour cette maladie ; Par conséquent, les
patients nécessitent une surveillance et un traitement périodique. Pour un patient parkinsonien ,
le déplacement chez les médecins est très difficile. À cette fin, le développement d’une solution
de suivi et de télésurveillance est important. L’évolution significative dans les technologies de
l'information et de télécommunication facilite la mise en œuvre de systèmes de télésurveillance
et de télémédecine [6], [7] pour simplifier le diagnostic des patients. En outre, ces nouvelles
technologies peuvent améliorer l’efficacité d’intervention dans les cent res médicaux [8], [9],
[10].
Actuellement, le principal défi pour la médecine est de détecter correctement la maladie de
parkinson à ses débuts [11], [12], [13], afin d'éviter les souffrances des patients en raison de
retard dans le traitement [14]. Certaines études ont montré que cette maladie entraîne des

35
déficiences vocales chez env iron 90% des patients [4], [15], [16], [17], et ceci peut indiquer les
premiers stades de la maladie [6]. Étant donné les possibili tés de traitement de signal, on peut
utiliser ces déficiences vocales pour détecter les patients parkinsoniens [41], [19], [20]. En effet,
la maladie de Parkinson représente un mode particulier de dysfonctionnement du système
nerveux central (SNC) [21], [2], [22]. Elle est caractérisée par une dégradation progressive de
la nigrostriatal dopaminergic, ce qui co nduit à un dysfonctionnement chronique du système
basal ganglia [22], [23]. Ce système est essentiel pour contrôler l'exécution des réflexes moteurs
[22]. Par conséquent, la perte d e l’efficacité du SNC provoque une perte partielle ou totale dans
les réflexes moteurs, dans la parole et dans d'autres fonctions vitales [21], [2]. Les recherches
dans le domaine de parkinson sont orientée s vers des diagnostics comme l'ADN loci [24], la
stimulation cérébrale profonde [25], la phase de transcription [26] et de la thérapie génique [27].
Les sym ptômes de la maladie de parkinson ont été décrits par le docteur James Parkinson
comme «paralysie agitante» [28] ; cela comprend les vibrations dans les mains, les bras, les
jambes, le visage et la mâchoire [29]. La production vocale, en particulier, est un moyen efficace
pour mettre en évidence un modèle de l'organisation séquentielle ou simultanée des plans
moteurs [22]. Le modèle doit être dynamique dont le comportement à un momen t donné dépend
de ses états précédents [22]. L'organisation complexe de gestes articulatoires de la parole est
sous le contrôle du système nerveux central, et en particulier les basal ganglia [22]. Les
disfonctionnements de la production de sons vocaux appelés dysphonie [30], conduisent à une
réduction de ‘loudness ’, de ‘breathiness ’, et de ‘roughness ’ ; en plus, ils réduisent l’énergie dans
les parties supérieures du spectre harmoni que ce qui provoque un tremblement vocale exagéré
[4], [2], [31].
On note d'autres disfonctionnements vocales causés par cette maladie ; on peut citer par
exemple l’hypophonie (bass e de volume), la dysarthrie (problèmes dans les articulations de la
voix) et la monotonie (plage de pitch réduite) [2]. La dysarthrie est considérée comme la plus
importante caractéristique des troubles de la voix observées chez le s parkinsoniens ; en effet,
cette caractéristique provoque la réduction des mouvements articulatoires et la diminution de
la modulation prosodiques de la parole [32]. L'une des méthodes de traitement utilisée est
l’injection d’une petite quantité de toxine botulinique [33] dans la zone du larynx. Ce traitement
fournit la réhabilitation temporaire pour 3 à 4 mois, ensuite les symptômes dysphoniques
reviennent [8].
Des méthodes récemme nt utilisées visent à ajuster l'intensité vocale des patients parkinsoniens
telles que
 "Lee Silverman Voice Traitement" (LSVT) [34] , [35] : cette méthode augmente
l'intensité vocale par des efforts phonatoires et respiratoires
 "Pitch Limiting Voice Treatm ent" (PLVT) [36] : cette méthode améliore l'intensité
vocale et maintient le Pitch plus bas.
Des symptômes vocaux peuvent nous donner assez d'informations pour détecter la gravité de la
maladie [4], [30]. Afin de quantifier ses symptômes, de nombreux tests ont été introduits [4],
[30]. Les approches les plus utilisées sont :
 les patients sont invités à prononcer des voyelles continues à un niveau confortable avec
phonations continues [30], [37], [38], [41].

36
 les patients sont invités à dire des phrases standards qui sont construits à partir d'unités
linguistique s représentatives et tenir aussi longtemps que possible en cours d'exécution
[4], [30], [38], [41].
Des tests vocaux en temps réel sont considérés comme pl us réalistes pour le diagnostic ; mais
le problème est qu’ils risquent de contenir de nombreux composants linguistiques en plus des
effets de confusion d'articulation [4], [30]. Les voyelles longues et dura bles représentent des
performances vocales plus stables, et permettent donc une analyse acoustique relativement
simple. Par conséquent, plusieurs chercheurs préfèrent utiliser la première approche pour
détecter les symptômes de dysphonie [4], [20], [39], [40], [41], [42], [43].
En général les échantillons vocaux sont enregistrés en uti lisant un microphone, et ensuite on
applique des algorithmes d’analyse. Il existe plusieurs logiciels implémentant ces algorithmes
comme par exemple PRAAT [44] et MDVP [45].
Les principales caractéristique s [2], [4], [8], [29], [30], [46], [47], [48] utilisées pour détecter
les troubles vocales chez le parkinsonien sont :
 la fréquence fondamentale F0 ;
 la pression sonore absolue (loudness), qui indique l'intensité relative de la voix ;
 la mesure de la gigue (jitter), qui représente le cycle de variation du cyc le de F0 ;
 la mesure de miroitement (shimmer), qui représente le cycle de variation d'amplitude
du cycle dans le discours ;
 le taux d’harmonique par rapport au bruit, qui représente le degré de périodicité du
signal acoustique vocal ;
En comparant les mesures de ces caractéristiques pour un patient parkinsonien par rapport à
une personne en bonne santé, on constate des différences dans l 'ensemble des mesures [4], [49].

Pour déterminer les personnes atteintes de la maladie de Parkinson, une analyse de la voix basée
sur la détection de la dysphonie a été présentée par Max Little et al [4]. Dans leur travail ils ont
utilisé la PPE (pitch period entropy) ; la PPE permet une mesure robuste contre l’environnement
bruité. Le problème d’analyse vocale devient complexe si on considère d’autres facteurs tels
que le sexe et l’environnement acoustique variable ; la PPE permet de surmonter cette
complexité. Ils ont utilisé une base de données contenant 23 patients atteints de la maladie de
parkinson et 8 personnes en bonne santé dont l'âge varie de 46 à 85 ans (moyenne 65.8, écart –
type 9.8) ; la base dispose de 195 phonations de type voyelle continu e, où chaque participant a
donné une moyenne de six enregistrements de longueur allant de 0 à 36 secondes [57]. Sur cette
base les auteurs ont appliqué une méthode à noyau SVM (Support Vector Machine).
D’autres auteurs ont utilisé, en plus de la SVM, des méthodes d'apprentissage statistique tel que
la LDA (Linear Discriminate Analysis) [55]. Ces méthodes permettent ainsi de discriminer les
personnes malades de ceux en bonne santé en sélectionnant les meilleu res caractéristiques
d’analyse. Des études théoriques ont montré que la précision de la classification se dégrade
lorsqu'on utilise un grand nombre de caractéristiques [55]. Le choix des attributs ne garantit pas
toujours une fonct ionnalité optimale [56].
Un modèle non linéaire introduit par Shahbaba et al [58] pour la détection de la maladie de
parkinson ; ce modèle de classification utilise les mélanges de processus de Dirichlet. Les

37
auteurs ont fait des comparaisons entre trois méthodes : la MLM (Multinomial Logit Models),
les arbres de décision et la SVM. Ils ont obtenu une précision de classification de 87.7%. Resul
Das [59] a étudié quatre méthodes de c lassifications : les réseaux de neurones, DMneural,
l’arbre de régression et l'arbre de décision [59]. L’auteur s’est basé sur le logiciel SAS [60] ; ce
logiciel rend la procédure d'extraction de données pl us simple, et il prend en charge toutes les
tâches essentielles au sein d'une solution intégrée. Dans son expérimentation, Resul Das a pu
atteindre une précision de 92.9% dans le cas des réseaux neuronaux ; ce sont des résultats
intéressants comparés à des études précédentes [61].
En se basant sur les caractéristiques ordinaires de la voix, Guo et al [62] ont proposé des
fonctions d'apprentissage (GP -EM) qui combinent la programmation génétique GP (Genetic
Programming) avec l'algorithme EM (Expectation Maximization). Ils ont pu atteindre une
précision de classification de 93.1%.
Sakar et al [63] se sont intéressés à la réduction de l’ensemble des caractéristiques ; ils ont
cherché ceu x qui maximisent la discrimination des patients parkinsoniens par rapport aux
personnes en bonne santé. Pour cela, ils ont appliqué une mesure d'information conjointe avec
un test de permutation pour évaluer l’importance statistique entre les caractéristiq ues de
dysphonie et les résultats discriminants. Les auteurs ont pu classer les caractéristiques selon le
critère de pertinence maximale mRMR (maximum Relevance Minimum Redundancy), avec un
algorithme SVM pour le classement.
Ozcivit et al [64] ont construit un ensemble de classificateurs de 30 algorithmes d'apprentissage
automatique ; ces algorithmes ont été assemblés en utilisant la RF (Rotation Forest). Une
précision de classification de 87.13% a été atteinte à l’aide de la mRMR -4 appliquée sur des
parkinsoniens.
Aström et al [65] ont créé une structure parallèle de réseau de neurones neuronal (parallel feed –
forward neural network). Une précision de classification de 91.20% a été obtenue avec neuf
réseaux. Afin d’optimiser l’ensemble des caractéristiques, Spadoto et al [66] ont appliqué un
classificateur évolutif basé l’OFP (Optimum -Path Forest). Ils ont obtenu une précision de
84,01% en combinant l’OFP avec un algorithme de recherc he gravitationnel (GSA -OPF) pour
uniquement huit attributs.
Le problème de l’optimisation de l’ensemble des caractéristiques a été aussi étudié par Li et al
[67]. Les auteurs ont proposé une méthode de transformation non linéaire à logique floue basée
sur la SVM pour la classification. Ils ont pu atteindre une précision de 93.47%.
Mandal et al [8] ont proposé différentes méthodes telles que le réseau bayésien [68], [69], la
méthode SMLR (Sparse Multinomial Logistic Regression) [70], la SVM, les méthodes
Boosting [71], les ANNs (Artificial Neural Networks) [72][73], et d'autres modèles à machine
d'apprentissage. De plus ils ont utilisé la RF [74], [75] constituant une log istique de régression
[76], pour atteindre une précision de classification de 96.93%. D’autres auteurs ont utilisé les
Ondelettes de Haar en tant que filtre de projection [77], [78]. Par exemple Oscift [79] a pu
atteindre une précision maximale de classification de 100%.
Wan -li Zuo et al [48] ont proposé une méthode basée sur l'optimisation des essaims de
particules PSO (Particle Swa rm Optimization), renforcée par une KNN à logique floue. La
technique PSO a été mis au point par Eberhart et Kennedy [80] dans le but de traiter chaque
individu comme une particule dans un espace à d dimensions, où on représente la position et la

38
vitesse de la particule. Wan -li Zuo et al ont donc repris la méthode PSO -FINN [81], [82], puis
ils l’on adapté pour maximiser les performances de classifications des parkinsoniens par rappor t
aux personnes en bonne santé [48]. Ils ont atteint une précision maximale de 97.47% en utilisant
la méthode de 10 -fold-CV.
Hui-Ling Chen et al [29] ont utilisé une méthode à temps FKNN (fussy KNN) [83] avec une
méthode croisée basée sur la SVM ; ils ont atteint une précision de classification de 96.07%.
Hariharan et al [84] ont amélioré la classification avec un système hybride intelligent pour
atiendre une précision maximale de 100%.
Betul et al [2] ont fait des tests vocaux sur plusieurs sujets ; ils ont prélevé des échantillons pour
les phonations de voyelle continue et des échantillons en cours des discours [2]. Après
l'application de différents outils à machine d'apprentissage sur la base des données, ils ont
constaté que les caractéristiques les plus discriminative sont extrait des phonations de voyelle
continue. Ils ont également comparé des méthodes de validation croisée telle que LOSO (Leave –
One-Subject -Out). Leurs meilleure précision de la classification est de 85%. Ils ont utilisé une
base de données de 40 individus :
 20 patients atteints de la maladie de Parkinson, dont 6 femmes et 14 hommes. L'âge des
patients variait de 43 -77ans, avec une moyenne de 64.86 et un écart -type de 8.97.
 20 personnes en bonne santé, dont 10 femmes et 10 hommes. L'âge des sujets en bonne
santé ont varié de 45 à 83ans, avec une moyenne de 62.55 et un écart -type de 10.79.
Jaafari [30] a présenté une méthode combinatoire pour l’extraction des caractéristiques des
échantillons de voix. Il a fait la combinaison de sept caractéristiques non linéaires et de 13
MFCC (Mel Frequency Cepstral Coefficients). Les sept caractéristiques non linéaires sont :
 la période de pitch de l’entropie (PPE),
 la densité de la période de récurrence de l’entropie (RPDE),
 le rapport harmonique à bruit (NHR),
 analyse des fluctuations detrended (DFA),
 la dimension fractale (F D),
 le coefficient de distribution d'énergie de la série d'indices des pointes (EDC -PIS),
 le coefficient de distribution d'énergie de la série des pics d’amplitude (EDS -MPS).
Les deux dernières caractéristiques sont robustes à plusieurs effets incontrôla bles tels que
l'environnement bruyant [30]. Les MFCC ont été largement utilisés dans le traitement vocal,
tels que la reconnaissance de la voix et l'identification du locuteur. Les 20 caractéristiques
extraites ont été combinées da ns une perception multicouche MLP (Multi -layer perception),
utilisant un classificateur de réseau de neurones à une couche cachée. La précision de
classification obtenue est de 97,5%. La base des données utilisé est de 200 échantillons de voix,
extraites d 'un groupe de :
 25 patients parkinsoniens, dont 5 femmes et 20 hommes ; ayant différents niveaux de
gravité. Leurs âges variaient de 49 à 70ans avec une moyenne de 58.64,
 10 personnes en bonne santé, dont 2 femmes et 8 hommes. Leurs âges variaient de 39 à
63ans avec une moyenne de 50.7.

39

Dans nos études, nous avons utilisé différentes méthodes pour détecter la maladie de parkinson.
Ainsi, dans notre premier travail [85], nous avons extrait 20 coefficients MFCC (Mel Frequency
Cepstral Coefficients) d’une base de 34 personnes (17 patients parkinsoniens et 17 personnes
en bonne santé).

Figure 18: Diagramme d’extraction des coefficients MFCC
Nous avons ensuite compressés les trames de la MFCC en utilisant un vecteur de quantification
(VQ) avec six tailles pour la codification (1, 2, 4, 8, 16 et 32).

Figure 19: Les MFCC d’un parkinsonien

40

Figure 20: Les MFCC d ’un parkinsonien après une quantification (Q8.0)

La précision de classification maximale atteinte est de 100% et la précision de la classification
moyenne est de 82%.
Quantification Précision maximale Précision minimale Précision moyenne
1 100% 73.52% 81.85%
2 70.58% 70.58% 70.58%
4 71.32% 71.32% 71.32%
8 69.85% 69.85% 69.85%
16 70.22% 70.22% 70.22%
32 67.64% 67.64% 67.64%
Tableau 1: Résultats de classification pour différentes tailles de quantifications
Pour l a classificat ion des personnes atteintes de la maladie de parkinson par rapport aux
personnes saintes , nous avons utilisé le système LOSO (Leave -One-Subject -Out) avec un
algorithme SVM.
Quantification Coefficients de
précision maximale Coefficients de
précision minimal e Noyau
1 13 3 2 4 5 7 10 Linéaire
2 8 9 10 8 9 10 Linéaire
4 5 5 Linéaire
8 8 8 Linéaire
16 8 8 Linéaire
32 15 15 Linéaire
Tableau 2: Coefficients calculés pour l’algorithme SVM

41
Dans le même contexte, nous avons remplac é dans un deuxiè me travail [86] les MFCC par la
technique PLP (Perceptual Linear Prediction). La précision de la classification maximale
atteinte dans ce cas est de 91.17% et la précision moyenne est de 75.79%.
Quantification Précision maximale Précision minimale Précision moyenne
1 91.17% 67.64% 75.79%
2 75% 75% 75%
4 68.38% 68.38% 68.38%
8 63.60% 63.60% 63.60%
16 62.31% 62.31% 62.31%
32 61.85% 61.85% 61.85%
Tableau 3: Résultats de classification d e la technique PLP

Dans un troisième travail [87], nous avons compressé les trames d e la PLP (Perceptual Linear
Prediction) par le calcul de leur valeur moyenne afin d'en extraire l'empreinte vocale pour
chaque sujet.

Figure 21: Le processus de calcul des coefficients PLP
Avec cette méthode, n ous avons pu atteindre une précision moyenne de classification de
82.35%.
Pour la classification SVM à noyaux RBF , nous avons constaté sur la base des résultats obt enus
(voir Figure 22), que lorsque nous utilisons un grand nombre de coefficient s la précision d e
classification diminue . Ceci est également v rai pour la sensibilité ( Figure 23) et pour la
spécificité ( Figure 24). La précision maximale obtenue avec la classification RBF est de 70,59%
en utilisant le premier coefficient.

42

Figure 22: Précision de classification utilisant les noyaux RBF, linéaire et polynomial

Les résultats de la classification SVM polynomial sont représentés à la Figure 23. Une précision
maximum de classification de 70,59% a été obtenue en utilisant uniquement le 1er et le 13ème
coefficient de la PLP.

Figure 23: Sensibilité de classification utilisant les noyaux RBF, linéaire et polynomial.

43
Avec la PLP nous avons eu la même précision maximale de classification en utilisant le noyau
RBF. On peut voir dans Figure 22, qu'une précision maximale de classification de 82,35% est
atteinte en utilisant les 13 et 14 premiers coefficients d e la PLP avec un noyau linéaires.

Figure 24: Spécificité de classification utilisant les noyaux RBF, linéaire et polynomial.

Dans une quatrième étude [88], nous avons utilisé une base de données cont enant :
 14 patients parkinsoniens, dont 7 femmes et 7 hommes,
 6 personnes en bo nne santé, dont 2 femmes et 4 hommes.
Nous avons pu extraire de cette base les caractéristiques vocales en fonction des seuils
pathologiques définis par le MDVP. Nous avons ensuite utilisé une hybridation basée sur la
SVM et sur la KNN. Nous avons obtenu une précision de classification de 95% en utilisant
uniquement quatre caractéristiques vocales dans le cas de la SVM.
Type du noyau pour
SVM Précision Sensibilité Spécificité
RBF 92.5% 95 % 90%
Linaire 73.75% 75% 72.5%
Polynomial 67.5% 71.66% 63.33%
MLP 60.62% 61.25% 60%
Tableau 4: Résultats de classification utilisant LOSO

44

Figure 25: Exactitude de classificateur SVM -RBF utilisant LOSO
On remarque sur la Figure 25 que les échantillon s numéros 17 et 22 donnent la meilleure
précision de classification SVM à noyau RBF en utilisant une validation LOSO. Ces
échantillons correspondent dans la base à des phrases et des mots . La figure suivante représente
les m oyenne s des exactitude s de classificateur à validation LOSO pour différent groupes
d’échantillons vocaux prélevés de la base.

Figure 26: Moyenne d’e xactitude de classificateur à validation LOSO

Les troubles caractéristiques de la maladie de Parkinson n'apparaissent pas brutalement, ils sont
le résultat d'un processus lent dont les premiers stades passent souvent inaperçus. A cet effet,
la mise au point d’un diagnostic plus précoce, est un enjeu crucial pour les patients et la
recherche, il permettra d'agir plus vite et de mieux comprendre la maladie pour pouvoir la
guérir.

45
Des études ont montré l’existence d’une forte relation entre la dégradation de la voix et la
progression de la maladie de parkinson [89]. La gravité de la maladie peut être mesurée en
utilisant différents tests empiriques et des examens physiques. Les mesures sont normalisée à
l'aide d'un des célèbres paramètres cliniques, connus sous le nom de UPDRS (Unified
Parkinson’s Disease Rating Scale) [46]. Récemment, il y a eu de nombreuses études de
recherches pour quantifier la maladie de parkinson et la représentée selon l’UPDRS [30] [46]
[89] [90].
Pour atteindre cet objectif, Tsanas et al [46] ont utilisé le logiciel Praat [4 4] pour calculer les
caractéristiques classiques telles que Jitter, Shimmer et le taux harmoniques sur bruit. Ils ont
également utilisé les préfixes de MDPV pour associer leurs mesures aux résultats de Kaypentax
[45]. En outre, ils ont constaté que les mes ures classiques log -transformées portant l'information
clinique et qui sont sélectionnées par un algorithme automatique, sont plus appropriées pour la
prédiction UPDRS. Afin de réduire le nombre d’attributs et d'améliorer la qualité des mesures
les auteurs ont utilisé les algorithmes LAS (Least Absolute Shrinkage) et SOR (Selection
Operator Regression), qui recherchent toutes les combinaisons possibles pour minimiser l'erreur
de prédiction. La base des données utilisée par les auteurs est composée de 42 pat ients dont 14
femmes et 28 hommes atteints de la maladie de parkinson. Ils en un âge moyen de 64.4ans avec
un écart -type de 9.24. La moyenne du moteur UPDRS est de 20.84 ± 8.82 points avec un total
UPDRS de 28.44 ± 11.52 points.
Les auteurs du [31] ont ét udié la possibilité d'utiliser la phonation de la voyelle / a / pour
quantifier automatiquement la maladie de parkinsonien. Les auteurs ont pu extraire les
caractéristiques pertinentes ; réduisant ainsi leur nombre de 309 à dix caractéristiques. La
perform ance maximale atteinte est de 90% en utilisant un classificateur SVM. La base des
données utilisée dans cette étude est de 14 patients parkinsoniens, dont 6 femmes et 8 hommes.
L'âge des patients était de 51 à 69ans avec une moyenne de 61.9 et un écart -type de 6.5. Chaque
patient a enregistré neuf phonations, 25% de ces phonations ont été répétées afin de les qualifier
intra-rater-ratability, ce qui a donné un total de 156 échantillons vocaux.

Les troubles vocaux peuvent être dû à u n problème physique , comme par exemple des nodules
ou des polypes vocaux qui touchent la corde vocale, la paralysie des cordes vocales en raison
de coups ou après une intervention chirurgicale, ou encore les ulcères des cordes vocales. Ces
troubles peuvent aussi être causés par une mauvaise utilisation des organes vocaux, comme
l'utilisation de la voix à un trop haut ou bas ‘Pitch’. Dans certains cas, la dysphagie se manifeste
comme un croisement entre une mauvaise utilisation des organes vocaux et quelques problèmes
physiologique [59].
Selon TESTON [53], la dysphonie dans le contexte de troubles neurologiques peut être
provoquée par de multiples facteurs :
 l'hypotonie qui se manifeste par une faible tonus musculaire qui peut entraîner une
réduction de la f orce musculaire, ce qui entraîne un niveau réduit de la voix et de la
fréquence fondamentale F0 [114] ;
 l’hypertonie qui provoque une augmentation anormale du tonus musculaire, ce qui
provoque des ruptures et des difficultés dans le signal vocal [115] ;

46
 les tremblements, ce qui provoque une voix tremblante [116] et l'instabilité de la
fréquence F0 pendant la phonation continue [117] ;
 la dysphonie spasmodique, ce qui provoque des changements brusques dans le ‘Pitch’,
les pauses, la non intelligibilité et la voix tremblante ;
 la paralysie laryngée, où la corde vocale reste plus ou moins à une position ouverte après
un mauvais contrôle neuro -moteur [53].
Une autre source de dysphonie peut être des changements anatomiques dans la glotte. Des
changements dus à l'apparition de nodules, des polypes ou des kystes qui sont des lésions
bénignes des cordes vocales. En conséquence, la voix devient plus profonde et sourde [53].
Des changements anatomiques peuvent également être provoqués par des inflammations,
comme la laryngite des cordes vocales. En conséquence, la voix devient plus profonde, avec
des difficultés au ‘Pitch’ supérieur ; elle devient légèrement sourde, elle peut même disparaître
complètement [53].
Aussi il peut y avoir des changements anatomiques de la glotte, causés par un traumatisme
chirurgical suite à une élimination d'un cancer par exemple. En conséquence, la voix est
gravement dégradée, plus profonde, de faible intensité, mais intelligible dans un endroit non
bruité [53].
Jusqu'à présent, il y a pe u de méthodes efficaces capables de distinguer les patients atteints de
la maladie de Parkinson chez des patients attei nts des maladies neurologiques.

Figure 27: Courbes vocales de différents patients
Comme on peut remarquer visu ellement, Figure 27, la différence est mesurable entre le signal
du patient A (personne normale ), du patient B (parkinsonien ), et ceux des patients C et D
(Autres maladies neurologiques ).
Etre capable de distinguer les parkinsonien s parmi les patients atteints d’ autres troubles
neurologiques est un véritable défi. La plupart des études précédentes se sont intéressées à
distinguer les patients souffrant de trouble vocaux des personnes en bonne santé.
L'analyse vocale peut aussi être utile pour détecter la gravité de la maladie de parkinson, si le
patient est déjà affecté.

47

Chapitre 3.
Les réseaux de capteurs au service des
parkinsoniens

Résumé
Dans ce chapitre, nous expliquons comment on peut
exploiter les réseaux de capteur s sans fils pour améliorer le
diagnostic de la maladie de parkinson.
Nous commençons le chapitre par présenter les
contraintes liées aux réseaux de capteurs , puis nous mettons
le point sur la norme à respecter pour la biomédicale.
Nous proposons ensuit e un réseau de capteurs adapté
pour les patients atteints par la maladie de parkinson. Nous
détaillons les constituants des nœuds et l’architecture du
réseau. Nous terminons le chapitre par la présentation d’une
méthode de correction d’erreurs.
Nous év oquons aussi d ans ce chapitre les avantages
que l’on peut tirer de la coopération entre les nœuds du
réseau.
Nous présentons d’abord une stratégie de protocole,
utilisant une astuce de passerelle, pour optimiser la
consommation d’énergie dans le réseau.
Ensuite nous abordons le problème de fusion des
données en proposant deux niveaux de hiérarchies, un niveau
exploitant les capteurs de même type, et un niveau pour
prendre la décision finale.

48

Les réseaux de capteurs appliqués en biomédical sont appelés réseau BAN (Body Area
Network) se sont des réseau x porté s sur le corps humain . Ces réseaux ont été désigné s par la
norme IEEE802.15.6. Cette norme a été créé e pour mettre en place les orient ations nécessaires
à la réalisation des applications pour la biomédicale .

Figure 28: Exemple d’application BAN

La norme IEEE802.15.6 spécifi e les requis techniques pour chaque application , de l’étude et
modélisation du canal de propagation BAN jusqu’à l’étude des couches physiques et MAC .
Plusieurs contraintes ont été prises en compte par cette norme, notamment les orientations
suivantes :

49
– Consommation en énergie : La durée de vie des batteries est de l ’ordre de plusieurs
mois, voire des années. Le réseau doit être défini de sorte que la consommation
d’énergie soit minimale. Cela se traduit par une faible consommation des éléments
d’émission et de réception de la couche physique et des mécanismes établis au niveau
de la couche MAC.
– Antennes : on peut retenir que la nature de l’antenne et sa position sur le corps jouent
un rôle important sur les pertes de propagation du signal. L’antenne d’un nœud peut être
intégrée dans celui -ci, située sur la peau ou à l ’intérieur des vêtements.
– Mobilité : le corps humain subi régulièrement de forte s mobilité s des membres ; ceci
introduit des variation s du canal de propagation. Ce s changements sont à l’origine d’une
dégradation des performances de communications.
– Coexist ence : la norme exige que 10 réseaux BAN puissent coexister dans un volume
de 6m3. Ces réseau x doivent aussi fonctionner dans un environnement sujet à de
l’interférence sans fil de nature diverse.

Dans u n réseau de capteurs le séquencement de fonctionnement d’un nœud capteur est illustré
par le schéma suivant :

Figure 29: Séquence de consommation énergétique d’un nœud capteur
L’énergie d ’acquisition est dissipée lors des mesures effectuées par les capteurs. L’acquisition
peut être cadencée par une fréquence d’ échantillonnage ou activée par événement. En général,
cette énergie est négligeable devant l’énergie globale consommé e par le nœud.
L’énergie de traitement est une énergie c onsommée par le microcontrôleur lors de l’exécution
des algorith mes de traitement des données. Même si cette énergie dépond de la complexité des
algorithmes utilisés, elle reste généralement faible par rapport à celle nécessaire pour la
transmission .
L’éne rgie de transmission se compose de deux types de consommations possibles : l’énergie
consommée lors d’une émission et/ou l’énergie consommée durant une réception. Dans les deux
cas, c ette énergie dépend de la quant ité des données à communiquer, de la porté e de
transmission, et des propriétés physiques du module radio. L’émission est caractérisée par sa
puissance. Lorsque la puissance d’un signal émit est élevée, le signal aura une grande portée et
l’énergie consommée sera plus élevée. No us remarquons, Figure 29, que l’énergie de
transmission représente la portion la plus grande de l’énergie consommée par un nœud du
réseau. Nous nous intéressons donc particulièrement à l’optimisation de cette énergie. Le
schéma de la figure suivante représente les éléments consommateurs de l’énergie de
transmission .
Capteur
Emetteur
Récepteur
Microcontrôleur
Imoy
Consom mation
d’énergie
Séquences de
fonctionnement
Réveil
Sommeil
Acquisition
Traitement
Emission
Réception
Veille

50

Figure 30: Schéma représentatif des b locs consommateurs d’énergie
Le modèle de consommation d’énergie peut être décrit par les équations suivante s :
{𝐸𝑇𝑥(𝑘,𝑑)=𝑘×𝐸𝑚𝑜𝑑+𝑘×𝐸𝑎𝑚𝑝×𝑑2 𝑝𝑜𝑢𝑟 𝑑𝑒𝑠 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒𝑠 𝑑<𝑑0
𝐸𝑇𝑥(𝑘,𝑑)=𝑘×𝐸𝑚𝑜𝑑+𝑘×𝐸𝑎𝑚𝑝×𝑑4 𝑝𝑜𝑢𝑟 𝑑𝑒𝑠 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒𝑠 𝑑≥𝑑0
𝐸𝑅𝑥(𝑘)=𝑘×𝐸𝑚𝑜𝑑 (𝐸𝑚𝑜𝑑=𝐸𝑑𝑒𝑚𝑜𝑑) 3.1
Le coefficient k représente le nombre de bits dans la trame. Si la distance d entre deux nœuds
communicants est inférieure au seuil d0, alors l’amplificateur de puissance fournira moins
d’effort et l’énergie consommée est proportionnelle à d2 ; mais si la portée dépasse le seuil d0
l’énergie consommée devient proportionnelle à d4. On remarque dans ce modèle que l ’équation
de l’énergie de réception ne dépend pas de la portée d.
L’utilisation des réseaux de capteurs dans un contexte médical exige un fonctionnement à une
faible consommation d’énergie ; causée principalement par la limitation en puissance . En effet
une puissance no n contrôlée à une certaine limite peut s’avérer négative pour la santé humaine.
En plus les nœuds capteurs doivent fonctionner à des températures raisonnables ; c’est pourquoi
il faut avoir une consommation d’énergie limitée . L’énergie constitue donc l’une des contraintes
les plus importantes à respecter pour la conception des nœuds .

En plus de la consommation d’énergie, u ne deuxième contrainte est liée à la fiabilité
d’information mesurée par le réseau ; en effet l’état du patient es t primordial, et toute erreur de
traitement issue d ’un nœud peut fausser le diagnostic . Un codeur correcteur d’erreurs est donc
nécessaire dans notre cas ; en plus le codage doit être choisi tout en optimisant la consommation
d’énergie .
La distribution de traitement sur plusieurs nœuds, suivis d’une fusion d’information est un
niveau supérieur pour renforcer la fiabilité du réseau . La fusion des données est l’objet de
plusieurs recherches scientifiques. Ainsi, les auteur s de [118] propose nt un système de fusion
de données pour la prévention contre l es incendies ; le système est basé sur l’agrégation des
capteurs en utilisant des sommes cumulées (CUSUM ). L’auteur [119] a utilisé le théorème de
retro -propagation pour la classification et la fusion de donnée multi -capteurs, son algorithme
est basé sur la correction d’erreur par apprentissage. L’auteur [120] a quantifié les nœuds par
des bits locaux de décision, et a étudié trois algorithmes de quantification basés sur le poids,
sur les statistiques et sur la redondance. On constate que les deux derniers algorithmes sont
adaptés aux réseaux dont les nœuds sont peu nombreux ; ce qui correspond parfaitement à notre
cas. Les algor ithmes basés sur les calculs statistiques présentent une meilleure stabilité ; tandis
Modulateur
(Emod*k)
Amplificateur
de puissance
(Eamp*k*d2)
Trame de k bits
Emetteur (ETx(d))
Démodulateur
(Edemod*k)
Trame de k bits
Récepteur (ERx(d))
Portée(d)

51
que les algorithmes basés sur la redondance ont de meilleure performance quand le de gré de
quantification est élevé .

Un nœud est organisé autour d’un microcontrôleur, il peut faire l’acquisition d’un ou de
plusieurs capteurs, il peut communiquer dans les deux sens avec les voisins. Nous proposons
trois types de nœuds :
 Type1 : des nœuds basés essentiellement s ur des accéléromètres et gyroscopes ;
 Type2 des nœuds contenant un accéléromètre et un capteur de pression artérielle ;
 Type3 des nœuds pour capter les signaux Électromyogramme.
Les nœud s ‘Type1’ sont montés sur les membres du patient. Ces nœuds permettent d’accueillir
les informations sa posture : en position assise, debout ou en mouvement.

Figure 31: Nœud Type1
Les nœuds ‘Type2’ sont montés les bras du patient. Ils permettent de mesurer l’effort appliqué
et les tremblements au repos.

Figure 32: Nœud Type2
Les nœuds ‘Type3’ sont montés sur les jambes du patient. Ils permettent de mesurer les troubles
nerveux qui entraîne nt les muscles à réagir de façon anormale.

Figure 33: Nœ ud Type3

Microcontrôleur
Communications
Accéléromètre
Gyroscope
Microcontrôleur
Communications
Accéléromètre
Pression artérielle
Microcontrôleur
Communications
Électromyogramme

52

Le réseau BAN sera architecturé autour de la collaborati on d’une dizaine de nœuds opérant de
façon autonome . Chaque nœud fait des mesures individuellement ; puis il communiqu e, en sans
fils, avec les autres nœuds pour a voir une décision plus fiable. L’application à laquelle nous
nous intéressons est constituée donc d’ un réseau de capteurs sans -fil coopératif pour mesurer
les gestes et efforts appliqués par le patient parkinsonien . En plus de s nœuds capteurs , le réseau
dispose d’un nœud puits (sink) qui collecte les différentes informations pour les envoyer au
système embarqué de diagnostic. Le nœud puits peut être aussi utilisé pour envoyer à distance
les informations physiologiques du patient afin de les a rchiv er ou pour faire le diagnostic en
temps réel. Ceci va donner naissance à des diagnostics plus simples et plus fiables pour mieux
comprendre les états d’évolution des patients .

Figure 34: Réseau BAN pour les parkinsoniens
Notre réseau BAN e st caractérisé par un aspect coopératif de se s différents nœud s. Chaque
nœud est un petit système embarqué qui intègre un processeur pour accomplir les opération s de
traitements simples . Un nœud ne transmet que les données nécessaires , et qui sont partiell ement
traitées, au lieu d e transmettre toutes les mesures captées .

L’utilisation d es réseaux de capteurs dans un contexte m édical exige une vigilance particuli ère
aux erreurs dues au canal de transmission. Le choix des systèmes de cont rôle d'erreur est très
critique dans le cas d u réseau BAN dans lequel on a besoin d'une bonne fiabilité. Pour notre
application médicale, le réseau nécessite une meilleure fiabilité de mesure avec une
consommation d'énergie minimale. Le code de correction d'erreur appropriée doit être choisi
sur la base du BER (Bit Error Rate) et de la consommation d'énergie.
Dans plusieurs travaux on trouve l’utilisation des codes correcteurs d’erreur tel le la technique
ARQ (Automatic Repeat reQuest) et l a technique FEC (Forward Error Correction) . La
technique ARQ ne n écessite pas de traitement de donn ée suppl émentaires au niveau des nœuds
interm édiaires dans le réseau ; cette technique consiste à détecter les erreurs par un code
détecteur d’erreur standard , puis envoie une requête automatique de r épétition ARQ pour
demander la retransmission de paquets manquants. La technique FEC est utilis ée pour se
proté ger contre la perte de paquet sur les r éseaux de capteurs . Son principe de base consiste à
ajouter de la redondance inte lligemment et à profiter de cette surinformation pour d éterminer
la fiabilit é du message . Dans certains cas, cette technique permet aussi de reconstruire le

53
message d’origine même si la réception a été erronée. Cette possibilité de correction d’erreurs
est due aux redondances : plus il y a de redondance, plus il est facile de d étecter et de corriger
les erreurs éventuelles.
Les auteurs de [142] et [143] ont montré que l'utilisation de l'ARQ est limi tée pour les réseaux
de capteurs , et ceci à cause de la retransmission supplémentaire. Mais on retrouve dans [144]
que l'efficacité énergétique de l'ARQ , comparé e à BCH, est meilleure pour l es courtes distance s.
Une autre catég orie de codeurs correcteurs d’erreurs , appelés code fontaine , est bien adaptée à
notre contexte. En effet, ces codeurs ont potentiellement un rendement infini ; c’est à dire que
le nombre de paquets cod és peut être théoriquement infini . Ainsi, la transmiss ion de paquets
codés se poursui t jusqu’ à la réception compl ète de l’information, quelque -soit le nombre de
paquets perdus [126] . Pour cette technique la transmission d’une combinaison d’information
n’est achevée que par l’accus é de réception qui est envoyé par le récepteur. Ce principe est
intéressant dans notre cas, car il permet de fiabiliser les c ommunications sans avoir besoin de
la connaissance à priori d u canal qui change souvent.
Des études ont montré les code s de convolu tion, Hamming et Reed Solomon, sont meilleurs en
termes de taux d'erreur binaire (BER) que tous les autres codes. Mais le décodeur complexe de
ces codes consomme une énergie importante. Ces codeurs ne sont pas intéressent dans le cas
des réseau x de capteur s sans fil s. Il a été démontré en outre, que les codes ‘Fountain’ peuvent
amélior er considérablement l'efficacité et la fiabilité du réseau . Dans [145] par exemple , on
trouve une étude sur l'impact des codes ‘Fountain’ sur la c onsommation d'énergie dans le r éseau
de capteurs sans fil .

Figure 35: Analogie du code ‘Fountain’
La classe de codes ‘Fountain’ peut être mise en œuvre avec des algorithmes de codage et de
décodage simples. Ces codeurs sont donc moins gourmands en consommation d’énergie. En
plus, ils sont adapt atifs aux états instantanés des canaux , ce qui permet d’ éviter le be soin en
rétroaction . En effet, ces code s, permettent d’envoyer autant de paquets que nécessaires pour
que le décodeur pui sse récupérer les données source. Parmi les codes fontaine connus on
distingue trois catégories : RLF ( Random Linear Fountain ), LT (Luby Transform ), et RC (Code
Raptor ).
Pour la mi se en œuvre expérimentale nous avons implémenté le code LT en considérant un
réseau BAN dont les contraintes respectent la norme IEEE802.15.6.

54

Figure 36: Montage pour la simulation du codage LT
Les paramètres de simulation selon la norme IEEE802.15.6 sont les suivants :
Parameter Type or value
R (Tran smission rate) 20Kbit/s
F (Frequency carrier) 868MHz
Nb (Number of bits per
packet) 100octets (uncoded channel)
105octets (with LT coding)
EEle 50nJ/bit
Eamp 10pJ/bit/m2
0.0013pJ/bit/m4
Tableau 5: Paramètres de simulation
Dans un premier temps, nous avons analys é les performances du code LT en termes de taux
d'erreur binaire (BER) ; les résultats de la simulation sont présentés dans la Figure 37. Ces
résultats corres pondent à une communication point -à-point , dans un canal à bruit blanc additif
gaussien BBAG avec N 0 = -111 dBm/ Hz, en utilisant une modulation BPSK .

Figure 37: Taux d'erreur avec et sans codage LT

55
Nous constatons que le codage LT améliore le taux d'erreur binaire (BER) . Aussi, il est normal
d’observ er une dégradation lorsque le rapport signal à bruit ( SNR ) augmente .
Un résultat, aussi intéressant pour notre cas , concerne l’optimisation de l’énergie lorsqu’on
applique un codage L T ; ce résultat est montré par les courbes des figures suivantes ( Figure 38
et Figure 39).

Figure 38: Optimisation d'énergie par codage LT en fon ction de la portée

Figure 39: Optimisation d'énergie par codage LT en fonction du nombre de paquets
Nous avons vu que la communication sans fil est la plus grand e consommat rice de l'énergie
dans un nœud capteur . Cette consommatio n d’énergie dépend de la quantité de données (s), et
de la distance de transmission ( d). Elle peut être modélisée par les équations suivantes :
𝐸𝑃=𝐸𝑇(𝑠,𝑑)+𝐸𝑅(𝑠)+𝐸𝑎𝑐𝑘 3.2
Où ET, ER et E ack sont respectivement les énergie s d’émission, de récepteur et de l’acquittement .
L’énergie ET regroupe la consommation de transmission ETelec, et la consommation de
l’amplificateur de puissance ETamp.

56

Figure 40: Schéma blo c énergétique
L’énergie totale, consommée dans un nœud capteur pour un codage LT transmettant K
fragments d’informations, est :
𝐸𝐿𝑇=(𝐾+𝜀−1).1
𝛾𝑑𝑡.(𝐸𝑇𝐿𝑇+𝐸𝑅𝐿𝑇)+1
𝛾𝑎𝑐𝑘.(1
𝛾𝑑𝑡.(𝐸𝑇𝐿𝑇+𝐸𝑅𝐿𝑇)+𝐸𝑎𝑐𝑘 3.3
Avec ETLT=E𝑇+E𝑒𝑛𝑐 et ERLT=E𝑅+E𝑑𝑒𝑐 sont les énergies consommées pendant l’émission
et la réception en tenant en compte la consommation du codeur ( E𝑒𝑛𝑐) et du décodeur ( E𝑑𝑒𝑐).
Le modèle a été validé en déployant un réseau BAN de sept nœuds sur une personne de taille
1.6m. De s mesures des énergies consommées ont été effectuées ( Figure 38 et Figure 39), pour
différentes distances et pour un maximum de 100 paquets.
Nous avons constaté que l’intr oduction du codeur LT dans un nœud capteur permet d’optimiser
la consommation d’énergie. En plus ce module favorise la fiabilité des mesures en réduisant le
taux d’erreurs par bits.

Afin de répondre aux diff érents d éfis des réseaux de capteurs sans fils, plusieurs protocoles de
routages ont été mis en place ; chacun a sa fa çon d’acheminer l’information des diff érents
nœuds à la station de base en respectant le crit ère de basse consommation qui est difficile à
satisfaire sans compromis.
Plusieurs stratégies ont été développées pour l’amé lioration des protocoles de routage et
atteindre l’objectif qui est pris en compte pour fiabiliser la transmission et é conomiser l’ énergie .
Parmi ces stratég ies on trouve le clustering , les arbres de routage , l’agrégation , la fusion , etc.

Dans notre cas, nous proposons l’utilisation du concept de la passerelle, ce qui va minimise r la
consommation d'énergie des nœuds. La passerelle es t un nœud du réseau qui ser vira de point
d'accès. Nous rappelons que nous avons 10 nœuds de capteurs, qui sont dispersées sur les
membres du patient. Un nœud est initialement considérée comme normal , mais il peut être
sélectionné pour passer en mode ‘passe relle’ . La chance de nœud pour être un nœud ‘ passerelle ’
est calculée selon sa pr oximité de la station de base (BS) et selon son énergie résiduelle . Pour
cela, la sélection du nœud ‘ passerelle ’ passe par l’algorithme suivant :

57

Figure 41: Algorithme du choix de passerelle
Cet algorithme , désignant le nœud passerell e, permet d'équilibrer la consommation d'énergie
pour prolonger la durée de vie du réseau. C haque nœud tente de se connecter à la passerelle l a
plus proche ; pour cela, l a distance entre le nœud et la passerelle est calculée cycliquement. Le
nœud passerelle va fusionner les mesures pour les envoyer ensuite à la station de base. Le
tableau suivant résume les caractéristiques prises en compte pour la simulation de notre
méth ode :
Paramètres de Simulation
Paramètre Description Valeur
Eelect Energie des élection s 50e-9
Eda Energie pour l’ agrégation des données 5e-9
Efs Energie de l’amplificateur d’émission 10e-12
Eo Energie i nitial e 0.5
K Nombre de bits transmis 4000
3.4: paramètres de simulation

58
Figure 42: Duréee de vie des noeud du réseau

Les figures suivantes montrent l’énergie moyenne restante dans le réseau à chaque utilisation. On
constate que l’utilisation de notre méthode (courbe de gauche) permet d’optimiser la consommation
d’énergie par rapport à un réseau traditionnel (courbe de droite).

Figure 43: Energie résiduelle moyenne

L’utilisation d’un réseau de capteurs dans un contexte médical exige une attention particulière
aux erreurs dues au canal de transmission. La caractéristique coopérative du réseau de capteurs
peut être exploitée pour le rendre plus robuste .
Notre objectif , pour cette partie, est d’étudier la coopération des nœuds pour établir une
correction d’erreurs dans un canal bruité. On cherche aussi à modéliser les probabilités
théoriques à l'entrée du nœud principal et la probabilité d'erreur de trame correspondante à un
schéma coopératif.
Le modèle proposé est subdivisé en deux niveaux hiérarchisés de fusions. Dans l e premi er
niveau nous avons appliqu é le Théorème Limite Centrale (TLC) [146] ; nous avons combin é
les mesures des capteurs de même s types (accéléromètre , pression artérielle ou
électromyogramme ) ; un calcul de test séquentiel (CUSUM) permet de déterminer l es
changements posturaux du patient . Le deuxième niveau de la fusion est basé su r des probabilités
calculées à partir du premier niveau.

59

Figure 44: Niveau hiérarchique de fusion

De nombreux travaux connexes sur la fusion multi -capteurs ont été étudiés par les différents
chercheurs [147] , [148] , [149] , [150] . Les auteurs de [147] , par exemple, ont appliqué le
théorème de retro -propagation pou r la classification et la fusion de donnée multi -capteurs ; cet
algorithme est basé sur la correction d’erreur par apprentissage. Les auteurs de [148] , ont
quantifié plusieurs bits locaux de décision pour les observations de ch aque nœud . Les résultats
montrent que ces méthodes peuvent améliorer la capacité du système lorsque les nœuds sont
insuffisants . En résumé les systèmes basés sur les statistiques présentent une meilleure stabilité,
tandis que les systèmes basés sur la redo ndance présentent une meilleure performance quand le
degré de quantification est élevé.
Les mesures captés par les différents nœuds sont transmises au Sink (Figure 34: Réseau BAN
pour les parkinsoniens ). C’est dan s ce nœud que se font les opérations d’analyses et de fusion
de données. Le Sink va transmettre ensuite l ’information fusionnée vers le système embarqué
de diagnostic .
Afin de détecter tout changement important dans l'état de l’environnement, les signaux
d’observation homogènes sont constamment combinés en un seul signal 𝑋𝑇𝐿𝐶 à l’aide de
l’équation suivante :
XTLC= TLC-2∑(i-2Xi)n
i=1 3.5
Modèle
Multi –
Gaussien
Électromy
ogramme
Pression
artérielle
accélér
omètre
Nœud 1
Modèle
Multi –
Gaussien
Électromy
ogramme
Pression
artériell
e
accélér
omètre
Nœud 2
Modèle
Multi –
Gaussien
Électromy
ogramme
Pression
artériell
e
accélér
omètre
Nœud 10
Fusion
CUSUM (Somme Cumulée)
Décisio
n

60
Avec TLC2=∑(i-2)n
i=1 , n est le nombre de capteurs, et i note l’espérance mathématique de
l’observation Xi à l’intervalle .
Ensuite on calcul e, pour chaque signal homogène fusionné , une probabilité de changement
d’état . On affecte une décision basée sur le rapport de vraisemb lance pour chaque catégorie de
capteurs. Des probabilités (Figure 45) basées sur ces décisions sont exploitées en deuxième
niveau de fusion en utilisant la règle de Chair -Varshney [149] . Cette phase permet ainsi
d’augmenter la fiabilité du réseau .

Figure 45: Probabilités de mélange
Une opération de quantification est appliquée sur l’observation combinée X TLC [150] : chaque
décision locale noté Bg devrait prendre une valeur binaire ‘0’ ou ‘1’ sel on les contraintes
suivantes :
𝐵𝑔={1,𝑠𝑖 𝑅𝐺≥𝑆𝑅
0, 𝑠𝑖𝑛𝑜𝑛 3.6
Où SR est un certain seuil, et RG est le rapport de vraisemblance entre les deux distributions de
mélange H1 et H 2 calculé par
𝑅𝐺=|𝑙𝑜𝑔[𝑓(𝑋𝑇𝐿𝐶|𝐻1)
𝑓(𝑋𝑇𝐿𝐶|𝐻0)]| 3.7
A partir des résultats précédents des courbes (Figure 45: Probabilités de mélange ), on peut
déterminer la probabi lité de changement d’état Pc , et celle de stabilité Ps par les équations
suivantes :
{𝑃𝑐=∫𝑓(𝑋|𝐻1)∞
𝑆 𝑑𝑋
Ps =∫𝑓(𝑋|𝐻0)∞
𝑆 𝑑𝑋 3.8
S est un seuil fixe qui peut être choisi adéqua tement à partir des courbes ROC.
Le calcul de l’instant de changement peut être effectu é si la valeur binaire de décision commute
à ‘1’. A ce moment, un calcul de somme cumulée CUSUM s’exécute dans le but de déterminer
l’instant de changement, c'est -à-dire l’instant du passage de la distribution f(XTLC|𝐻0) à la
distribution f(XTLC|𝐻1) .
Le test CUSUM est un algorithme pour détecter séquentiellement le s changement s d’état , il est
basé sur la somme cumulée des rapports instantanés RVSn de vraisemblance des deux
distributions de mélange . L’équa tion de cette somme ( Csum ) est donc :

61
Csum = ∑ RVS n𝑘
n=1 3.9
La figure suivante représente le comportement de CUSUM lorsqu’un changement dans RVSn
est détecté.

Figure 46: Comportement de RVS et de CUSUM

La fusion du premier est appliquée aux capteurs de même type. O n dispose de capteurs
d’accélér ation, de p ression artérielle , et des électromyogramme s ; on a ura alors trois décisions
Bga, Bgp,, Bge, défini s par l’équation 𝐵𝑔=1, 𝑠𝑖 𝑅𝐺≥𝑆𝑅0, 𝑠𝑖𝑛𝑜𝑛 3.6 ;
Pca, Psa ; Pcp, Psp ; Pce, Pse sont calculables à l’aide de l’équation 𝑃𝑐=𝑆∞𝑓(𝑋|𝐻1) 𝑑𝑋Ps
𝑆∞𝑓(𝑋|𝐻0) 𝑑𝑋 3.8. On applique alors, dans le deuxième de fusion, la règle de
Chair -Varshney [149] pour avoir une décision finale 𝐷𝐹 :
DF= ∑ DFj3
j=1 3.10
Avec :
{ DF1=[BgalnPca
Psa+ (1-Bga)ln1-Pca
1-Psa]
DF2=[BgplnPcp
Psp+ (1-Bgp)ln1-Pcp
1-Psp]
DF3=[BgelnPce
Pse+ (1-Bge)ln1-Pce
1-Pse] 3.11
La décision DF traduit l e changement de posture du patient , cette décision est basée sur les trois
types de capteurs . La fusion de ces informations permet d’ avoir une décision plus fiable.

0 20 40 60 80 100 120-5000500Instantaneous log likelihood ratio
Time in seconds
0 20 40 60 80 100 120-2-10x 104CUSUM
Time in seconds
0 20 40 60 80 100 120012x 104Detection function
Time in seconds

62

Conclusion et Perspectives
Nous nous sommes i ntéressés à l’étude des possibilités de détection de la maladie de parkinson,
afin de contribuer dans l’élaboration d’un système pour diagnostiquer cette maladie. Deux axes
de recherches ont été explorés dans ce sens : l’analyse de la voix du patient et la détection des
tremblement s anormales .
L’analyse de la voix de patient a été assurée par l’extraction des caractéristiques acoustique
objectives (telles que : la hauteur, l’intensité, le timbre et la stabilité du signal vocal ), pour
appliquer ensuite un classificateur qui détect e les patients parkinsoniens. L’analyse du signal
acoustique, nous a permis d'examiner l’effet de la dysarthrie parkinsonienne sur le système
phonatoire. Cependant, au cours des différentes phases de traitement du signal vocal, les
résultats montrent que certains paramètres acoustiques ne sont pas toujours fiabl es pour
conclure sur l’état du patient . L’utilisation d ’un autre moyen de confirmation s ’est avérée
obligatoire ; c’est pourquoi nous avons pensé à l’intégration d ’un réseau de capteurs dans le
système.
La détection des tremblements anorm aux sera donc assurée par un réseau de capteurs de type
BAN . Pour ce type de réseaux , les deux contraintes les plus importantes sont le fonctionnement
à de faibles puissances et la fiabilité des mesures. En effet, la première contrai nte est imposée
par les normes des capteurs utilisés en médecine pour ne pas causer de s effets indésirables chez
les patients ; quant à la deuxième contrainte, elle est due aux changements dynamiques des
conditions et du milieu de communications. Nous avons travaillé sur des sujets de recherches
pour améliorer ces deux contraintes ; ainsi nous avons étudi é l’optimisation d ’énergie qui va
permettre de réduire la puissance de communication entre les nœuds, et nous avons fait des
recherches sur la cor rection d ’erreurs pour augmenter la fiabilité du réseau. Nous avons aussi
étudié les possibil ités de fusion de données pour avoir une décision finale sur la posture et la
mesure du tremblement.
En perspectives , nous trav aillons sur la classification de la maladie en plusieurs classe s pour
quantifier l ’état du patient , ce qui va permettre aux médecin s de mieux adapter le traitement.
Nous avons aussi lancé la réalisation d ’un sy stème embarqu é qui va permettre de faire l ’analyse
vocale du patient , et l’agrégation des r ésultats avec les mesures issues du réseau de capteurs.
Afin d’intégrer le système et pouvoir faire des essai es, nous travaillons sur la réalisation du
réseau de capteurs BAN en utilisant des capteurs homologués dans le milieu médical .

63

Bibliographie

[1]. Van Den Eeden, Stephen K., et al. "Incidence of Parkinson’s disea se: variation by age, gender, and
race/ethnicit y." American journal of epidemiology 157.11 (2003): 1015 -1022.
[2]. Sakar, Betul Erdogdu, et al. "Collection and Analysis of a Parkinson Speech Dataset With Multiple Types of
Sound Recordings." Biomedical and Health Informatics, IEEE Journal of 17.4 (2013): 828 -834.
[3]. De Lau, Lonneke ML, and Monique Breteler. "Epidemiology of Parkinson's disease." The Lancet
Neurology 5.6 (2006): 525 -535.
[4]. Little, Max A., et al. "Suitability of dysphonia measurements for telemonitoring of Parkinson's
disease." Biomedical Engineerin g, IEEE Transactions on 56.4 (2009): 1015 -1022.
[5]. Huse, Daniel M., et al. "Burden of illness in Parkinson's disease." Movement disorders 20.11 (2005): 1449 –
1454.
[6]. Lasierra, Nelia, et al. "Lessons learned after a three -year store and forward teledermatology ex perience using
internet: Strengths and limitations." International journal of medical informatics 81.5 (2012): 332 -343.
[7]. Andersen, Tariq, et al. "Designing for collaborative interpretation in telemonitoring: Re -introducing patients
as diagnostic agents." International journal of medical informatics 80.8 (2011): e112 -e126.
[8]. Mandal, Indrajit, and N. Sairam. "Accurate telemonitoring of Parkinson's disease diagnosis using robust
inference system." International journal of medical informatics 82.5 (2013): 359 -377.
[9]. Abramson, Erika L., et al. "Physician experiences transitioning between an older versus newer electronic
health record for electronic prescribing." International journal of medical informatics 81.8 (2012): 539 -548.
[10]. Bernard, Erik, et al. "Internet use for in formation seeking in clinical practice: a cross -sectional survey among
French general practitioners." International journal of medical informatics 81.7 (2012): 493 -499.
[11]. Loukas, Constantinos, and Peter Brown. "A PC -based system for predicting movement from deep brain
signals in Parkinson's disease." Computer methods and programs in biomedicine 107.1 (2012): 36 -44.
[12]. Farnikova, Katerina, Alois Krobot, and Petr Kanovsky. "Musculoskeletal problems as an initial manifestation
of Parkinson's disease: A retrospectiv e study." Journal of the neurological sciences 319.1 (2012): 102 -104.
[13]. Romenets, Silvia Rios, et al. "Rapid eye movement sleep behavior disorder and subtypes of Parkinson's
disease." Movement Disorders 27.8 (2012): 996 -1003.
[14]. Delaney, Mary, Jane Simpson, and Iracema Leroi. "Perceptions of cause and control of impulse control
behaviours in people with Parkinson's disease." British journal of health psychology 17.3 (2012): 522 -535.
[15]. Ho, Aileen K., et al. "Speech impairment in a large sample of patients with Parki nson’s disease." Behavioural
neurology 11.3 (1999): 131 -137.
[16]. Logemann, Jeri A., et al. "Frequency and cooccurrence of vocal tract dysfunctions in the speech of a large
sample of Parkinson patients." Journal of Speech and Hearing Disorders 43.1 (1978): 47 -57.
[17]. O'Sullivan, S. B., and T. J. Schmitz. "Parkinson disease,‖ Physical Rehabilitation." (2007): 856 -894.
[18]. Duffy, Joseph R. Motor speech disorders: Substrates, differential diagnosis, and management . Elsevier
Health Sciences, 2012.
[19]. Sapir, Shimon, et al. "Effect s of intensive voice treatment (the Lee Silverman Voice Treatment [LSVT]) on
vowel articulation in dysarthric individuals with idiopathic Parkinson disease: acoustic and perceptual
findings." Journal of Speech, Language, and Hearing Research 50.4 (2007): 8 99-912.
[20]. Rahn III, Douglas A., et al. "Phonatory impairment in Parkinson's disease: evidence from nonlinear dynamic
analysis and perturbation analysis." Journal of Voice 21.1 (2007): 64 -71.
[21]. Jankovic, Joseph. "Parkinson’s disease: clinical features and diagn osis." Journal of Neurology, Neurosurgery
& Psychiatry 79.4 (2008): 368 -376.
[22]. Viallet, François, and Bernard Teston. "La dysarthrie dans la maladie de Parkinson." Les dysarthries (2007):
169-174.
[23]. Manciocco, Arianna, et al. "The application of Russell and Bur ch 3R principle in rodent models of
neurodegenerative disease: the case of Parkinson’s disease." Neuroscience & Biobehavioral Reviews 33.1
(2009): 18 -32.
[24]. Wilkins, E. J., et al. "A DNA resequencing array for genes involved in Parkinson’s disease." Parkinsoni sm
& related disorders 18.4 (2012): 386 -390.
[25]. Niu, L., et al. "Effect of bilateral deep brain stimulation of the subthalamic nucleus on freezing of gait in
Parkinson's disease." Journal of International Medical Research 40.3 (2012): 1108 -1113.
[26]. Lin, Xian, et al. "Conditional expression of Parkinson's disease -related mutant α -synuclein in the midbrain
dopaminergic neurons causes progressive neurodegeneration and degradation of transcription factor nuclear
receptor related 1." The Journal of Neuroscience 32.27 (2012): 9248 -9264.

64
[27]. Tang, Lanhua, et al. "Meta -analysis of association between PITX3 gene polymorphism and Parkinson's
disease." Journal of the neurological sciences 317.1 (2012): 80 -86.
[28]. Langston, J. William. "Parkinson’s disease: current and future challeng es."Neurotoxicology 23.4 (2002): 443 –
450.
[29]. , Hui -Ling, et al. "An efficient diagnosis system for detection of Parkinson’s disease using fuzzy k -nearest
neighbor approach." Expert Systems with Applications 40.1 (2013): 263 -271.
[30]. Jafari, Ayyoob. "Classificatio n of Parkinson’s disease patients using nonlinear phonetic features and Mel –
Frequency Cepstral analysis." Biomedical Engineering: Applications, Basis and Communications 25.04
(2013).
[31]. Tsanas, Athanasios, et al. "Objective automatic assessment of rehabilitat ive speech treatment in Parkinson's
disease." Neural systems and rehabilitation engineering, IEEE Transactions on, (2014) Vol 22, No 1.
[32]. Teston, Bernard, François Viallet, and Praticien hospitalier PhD. "La dysprosodie
parkinsonienne." Ozsancak, C.; Auzou, P.(éds) Les troubles de la parole et de la déglutition dans la maladie
de Parkinson, Marseille: Solal (2005): 161 -193.
[33]. Conte, A., et al. "Botulinum toxin A modulates afferent fibers in neurogenic detrusor overactivity." European
Journal of Neurology 19.5 ( 2012): 725 -732.
[34]. Ramig, Lorraine Olson, et al. "Intensive speech treatment for patients with Parkinson's disease Short -and
long-term comparison of two techniques." Neurology 47.6 (1996): 1496 -1504.
[35]. Ramig, Lorraine O., et al. "Changes in vocal loudness follow ing intensive voice treatment (LSVT®) in
individuals with Parkinson's disease: A comparison with untreated patients and normal age ‐matched
controls." Movement Disorders 16.1 (2001): 79 -83.
[36]. De Swart, Bert JM, et al. "Improvement of voicing in patients with Parkinson’s disease by speech
therapy." Neurology 60.3 (2003): 498 -500.
[37]. Baken, Ronald J., and Robert F. Orlikoff. Clinical measurement of speech and voice . Cengage Learning,
2000.
[38]. Dejonckere, Philippe H., et al. "A basic protocol for functional assessment of voice pathology, especially for
investigating the efficacy of (phonosurgical) treatments and evaluating new assessment
techniques." European Archives of Oto -rhino -laryngology 258.2 (2001): 77 -82.
[39]. Little, Max A., et al. "Exploiting nonlinear recurrence a nd fractal scaling properties for voice disorder
detection." BioMedical Engineering OnLine 6.1 (2007): 23.
[40]. Alonso, Jesus B., et al. "Automatic detection of pathologies in the voice by HOS based
parameters." EURASIP Journal on Applied Signal Processing 4 (2001): 275 -284.
[41]. Hansen, John HL, Liliana Gavidia -Ceballos, and James F. Kaiser. "A nonlinear operator -based speech feature
analysis method with application to vocal fold pathology assessment." Biomedical Engineering, IEEE
Transactions on 45.3 (1998): 300 -313.
[42]. Cnockaert, Laurence, et al. "Low -frequency vocal modulations in vowels produced by Parkinsonian
subjects." Speech communication 50.4 (2008): 288 -300.
[43]. Godino -Llorente, Juan Ignacio, and P. Gomez -Vilda. "Automatic detection of voice impairments by means
of short -term cepstral parameters and neural network based detectors." Biomedical Engineering, IEEE
Transactions on 51.2 (2004): 380 -384.
[44]. Boersma, Paul. "Praat, a system for doing phonetics by computer." Glot international 5.9/10 (2002): 341 –
345.
[45]. Elemetrics , Kay. "Multi -Dimensional Voice Program (MDVP).[Computer program.]." Pine Brook, NJ:
Author (1993).
[46]. Tsanas, Athanasios, et al. "Enhanced classical dysphonia measures and sparse regression for telemonitoring
of Parkinson's disease progression." Acoustics Spe ech and Signal Processing (ICASSP), 2010 IEEE
International Conference on . IEEE, 2010.
[47]. Hariharan, Muthusamy, Kemal Polat, and Ravindran Sindhu. "A new hybrid intelligent system for accurate
detection of Parkinson's disease." Computer methods and programs i n biomedicine 113.3 (2014): 904 -913.
[48]. Zuo, Wan -Li, et al. "Effective detection of Parkinson's disease using an adaptive fuzzy< i> k</i> -nearest
neighbor approach." Biomedical Signal Processing and Control 8.4 (2013): 364 -373.
[49]. Zwirner, Petra, Thomas Murry, a nd Gayle E. Woodson. "Phonatory function of neurologically impaired
patients." Journal of communication disorders 24.4 (1991): 287 -300.
[50]. Kantz, Holger, and Thomas Schreiber. Nonlinear time series analysis . Vol. 7. Cambridge university press,
2004.
[51]. Laver, Jo hn. Principles of phonetics . Cambridge University Press, 1994.
[52]. Locco, Julie. La production des occlusives dans la maladie de Parkinson . Diss. Aix Marseille 1, 2005.
[53]. Teston, Bernard. "L'évaluation objective des dysfonctionnements de la voix et de la parole; 2e partie: les
dysphonies." Travaux Interdisciplinaires du Laboratoire Parole et Langage d'Aix -en-Pro
[54]. Caroline Fortin. Le visuel du corps humain: Français -anglais . Montréal, Québec Amérique, 2009.

65
[55]. Hastie, Trevor, et al. "The elements of statistical learning: data mining, inference and prediction." The
Mathematical Intelligencer 27.2 (2005): 83 -85.
[56]. Guyon, Isabelle, and André Elisseeff. "An introduction to variable and feature selection." The Journal of
Machine Learning Research 3 (2003): 1157 -1182.
[57]. Learning Repository, U.C.I.: http://archive.ics.uci.edu/ml/, June 2008
[58]. Shahbaba, Babak, and Radford Neal. "Nonlinear models using Dirichlet process mixtures." The Journal of
Machine Learning Research 10 (2009): 1829 -1850.
[59]. Das, Resul. "A comparison of multiple classification methods for diagnosis of Parkinson disease." Expert
Systems with Applications 37.2 (2010): 1568 -1572.
[60]. Klein, John P., and Mei ‐Jie Zhang. Survival analysis, software . John Wiley & Sons, Ltd, 2005.
[61]. Singh, Neha, Viness Pillay, and Yahya E. Choonara. "Advances in the treatment of Parkinson's
disease." Progress in neurobiology 81.1 (2007): 29 -44.
[62]. Guo, Pei -Fang, Prabir Bhattacharya, a nd Nawwaf Kharma. "Advances in detecting Parkinson’s
disease." Medical Biometrics . Springer Berlin Heidelberg, 2010. 306 -314.
[63]. Sakar, C. Okan, and Olcay Kursun. "Telediagnosis of Parkinson’s disease using measurements of
dysphonia." Journal of medical syste ms 34.4 (2010): 591 -599.
[64]. Ozcift, Akin, and Arif Gulten. "Classifier ensemble construction with rotation forest to improve medical
diagnosis performance of machine learning algorithms." Computer methods and programs in
biomedicine 104.3 (2011): 443 -451.
[65]. Åström, Freddie, and Rasit Koker. "A parallel neural network approach to prediction of Parkinson’s
Disease." Expert systems with applications 38.10 (2011): 12470 -12474.
[66]. Spadoto, André A., et al. "Improving Parkinson's disease identification through evolutiona ry-based feature
selection." Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of
the IEEE . IEEE, 2011.
[67]. Li, Der -Chiang, Chiao -Wen Liu, and Susan C. Hu. "A fuzzy -based data transformation for feature extraction
to incre ase classification performance with small medical data sets." Artificial Intelligence in Medicine 52.1
(2011): 45 -52.
[68]. Tenório, Josceli Maria, et al. "Artificial intelligence techniques applied to the development of a decision –
support system for diagnosing celiac disease." International journal of medical informatics 80.11 (2011): 793 –
802.
[69]. Torii, Manabu, et al. "An exploratory study of a text classification framework for Internet -based surveillance
of emerging epidemics." International journal of medical info rmatics 80.1 (2011): 56 -66.
[70]. Krishnapuram, Balaji, et al. "Sparse multinomial logistic regression: Fast algorithms and generalization
bounds." Pattern Analysis and Machine Intelligence, IEEE Transactions on 27.6 (2005): 957 -968.
[71]. Friedman, Jerome, Trevor Has tie, and Robert Tibshirani. "Additive logistic regression: a statistical view of
boosting (with discussion and a rejoinder by the authors)." The annals of statistics 28.2 (2000): 337 -407.
[72]. Gutiérrez, Pedro Antonio, César Hervás -Martínez, and Francisco J. Ma rtínez -Estudillo. "Logistic regression
by means of evolutionary radial basis function neural networks." Neural Networks, IEEE Transactions
on 22.2 (2011): 246 -263.
[73]. Mandal, I. "Software reliability assessment using artificial neural network." Proceedings of the International
Conference and Workshop on Emerging Trends in Technology . ACM, 2010.
[74]. Rodriguez, Juan José, Ludmila I. Kuncheva, and Carlos J. Alonso. "Rotation forest: A new classifier
ensemble method." Pattern Analysis and Machine Intelligence, IEEE Tra nsactions on 28.10 (2006): 1619 –
1630.
[75]. Mandal, Indrajit, and N. Sairam. "Accurate prediction of coronary artery disease using reliable diagnosis
system." Journal of medical systems 36.5 (2012): 3353 -3373.
[76]. Beaudoin, Christopher E., and Traci Hong. "Health in formation seeking, diet and physical activity: an
empirical assessment by medium and critical demographics." International journal of medical
informatics 80.8 (2011): 586 -595.
[77]. Sandberg, Kristian. "The haar wavelet transform." Applied Math Website -Welcome t o the Department of
Applied Mathematics (2000).
[78]. Tu, Chiu -Chuan, and Chia -Feng Juang. "Recurrent type -2 fuzzy neural network using Haar wavelet energy
and entropy features for speech detection in noisy environments." Expert Systems with Applications 39.3
(2012): 2479 -2488.
[79]. Ozcift, Akin. "SVM feature selection based rotation forest ensemble classifiers to improve computer -aided
diagnosis of Parkinson disease." Journal of medical systems 36.4 (2012): 2141 -2147.
[80]. Eberhart, Russ C., and James Kennedy. "A new opti mizer using particle swarm theory." Proceedings of the
sixth international symposium on micro machine and human science. Vol. 1. 1995.

66
[81]. Chen, Hui -Ling, et al. "An adaptive fuzzy k -nearest neighbor method based on parallel particle swarm
optimization for ban kruptcy prediction." Advances in Knowledge Discovery and Data Mining. Springer
Berlin Heidelberg, 2011. 249 -264.
[82]. Chen, Hui -Ling, et al. "A novel bankruptcy prediction model based on an adaptive fuzzy< i> k</i> -nearest
neighbor method." Knowledge -Based Syst ems24.8 (2011): 1348 -1359.
[83]. Keller, James M., Michael R. Gray, and James A. Givens. "A fuzzy k -nearest neighbor algorithm." Systems,
Man and Cybernetics, IEEE Transactions on 4 (1985): 580 -585.
[84]. Hariharan, Muthusamy, Kemal Polat, and Ravindran Sindhu. "A new hybrid intelligent system for accurate
detection of Parkinson's disease." Computer methods and programs in biomedicine 113.3 (2014): 904 -913.
[85]. Benba, Achraf, Abdelilah Jilbab, and Ahmed Hammouch. "Voice analysis for detecting persons with
Parkinson’s disea se using MFCC and VQ." The 2014 International Conference on Circuits, Systems and
Signal Processing . Saint Petersburg, Russia, September 23 -25, 2014.
[86]. Benba, Achraf, Abdelilah Jilbab, and Ahmed Hammouch. "Voice analysis for detecting persons with
Parkinson’ s disease using PLP and VQ." Journal of Theoretical and Applied Information Technology 70.3
(2014).
[87]. Benba, Achraf, Abdelilah Jilbab, and Ahmed Hammouch. "Voiceprint analysis using Perceptual Linear
Prediction and Support Vector Machines for detecting perso ns with Parkinson’s disease." the 3rd
International Conference on Health Science and Biomedical Systems, Florence, Italy, November 22-24, 2014
[88]. Achraf Benba, Abdelilah Jilbab and Ahmed Hammouch. “Hybridization of best acoustic cues for detecting
persons wi th Parkinson’s disease,” The 2nd World conference on complex system , Agadir, Morocco, 2014.
[89]. Skodda, Sabine, Heiko Rinsche, and Uwe Schlegel. "Progression of dysprosody in Parkinson's disease over
time—a longitudinal study." Movement Disorders 24.5 (2009): 716-722.
[90]. Goetz, Christopher G., et al. "Testing objective measures of motor impairment in early Parkinson's disease:
Feasibility study of an at ‐home testing device." Movement Disorders 24.4 (2009): 551 -556.
[91]. Teston, Bernard. "L'évaluation objective des dysf onctionnements de la voix et de la parole; 1ère partie: les
dysarthries." Travaux Interdisciplinaires du Laboratoire Parole et Langage d'Aix -en-Provence (TIPA) 19
(2000): 115 -154.
[92]. Hammarberg, Britta, et al. "Perceptual and acoustic correlates of abnormal v oice qualities." Acta oto –
laryngologica 90.1-6 (1980): 441 -451.
[93]. Hirano, M. "Psycho -acoustic evaluation of voice: GRBAS scale for evaluating the hoarse voice. Clinican
Examination of Voice." New York, Springer -Verlab (1981).
[94]. Dejonckere, P. H., et al. "Perc eptual evaluation of dysphonia: reliability and relevance." Folia Phoniatrica et
Logopaedica 45.2 (1993): 76 -83.
[95]. Fahn, S. E. R. L., Elton, R. L., Marsden, C. D., Calne, D. B., & Golstein, M. (1987). Recent development in
Parkinson's disease. Floram Park, N J Macmilian Health Care Information .
[96]. Weismer, Gary. "Acoustic descriptions of dysarthric speech: Perceptual correlates and physiological
inferences." Seminars in speech and language. Vol. 5. No. 04. © 1984 by Thieme Medical Publishers, Inc.,
1984.
[97]. Ramaker, Claudia, et al. "Systematic evaluation of rating scales for impairment and disability in Parkinson's
disease." Movement Disorders 17.5 (2002): 867 -876.
[98]. Rousselot, Pierre Jean. Principes de phonétique expérimentale. Vol. 1. H. Welter, 1901.
[99]. Warren, D. W. "Regulation of speech aerodynamics." Principles of experimental phonetics (1996): 46 -92.
[100]. Warren, Donald W. "Aerodynamics of speech production." Contemporary issues in experimental
phonetics 30 (1976): 105 -137.
[101]. Farrús, Mireia, Javier Hernando, and Pa scual Ejarque. "Jitter and shimmer measurements for speaker
recognition." INTERSPEECH . 2007.
[102]. Shirvan, R. Arefi, and E. Tahami. "Voice analysis for detecting Parkinson's disease using genetic algorithm
and KNN classification method." Biomedical Engineering (ICBME), 2011 18th Iranian Conference of. IEEE,
2011.
[103]. Yumoto, Eiji, Wilbur J. Gould, and Thomas Baer. "Harmonics ‐to‐noise ratio as an index of the degree of
hoarseness." The journal of the Acoustical Society of America 71.6 (1982): 1544 -1550.
[104]. Kasuya, Hideki, et al. "Normalized noise energy as an acoustic measure to evaluate pathologic voice." The
Journal of the Acou stical Society of America 80.5 (1986): 1329 -1334.
[105]. Qi, Yingyong, et al. "Minimizing the effect of period determination on the computation of amplitude
perturbation in voice." The Journal of the Acoustical Society of America 97.4 (1995): 2525 -2532.
[106]. Fraile, R ubén, et al. "MFCC -based Remote Pathology Detection on Speech Transmitted Through the
Telephone Channel -Impact of Linear Distortions: Band Limitation, Frequency Response and
Noise." BIOSIGNALS . 2009.

67
[107]. Murphy, Peter J., and Olatunji O. Akande. "Quantificatio n of glottal and voiced speech harmonics -to-noise
ratios using cepstral -based estimation." ISCA Tutorial and Research Workshop (ITRW) on Non -Linear
Speech Processing . 2005.
[108]. Hasan, Md Rashidul, et al. "Speaker identification using mel frequency cepstral coe fficients." 3rd
International Conference on Electrical & Computer Engineering ICECE . Vol. 2004. 2004.
[109]. Kapoor, Tripti, and R. K. Sharma. "Parkinson’s disease Diagnosis using Mel -frequency Cepstral Coefficients
and Vector Quantization." International Journal of Computer Applications 14.3 (2011): 43 -46.
[110]. Pouchoulin, Gilles, et al. "Frequency study for the characterization of the dysphonic voices." Proceedings of
INTERSPEECH 2007 (2007): 1198 -1201.
[111]. Fraile, R., et al. "Use of mel -frequency cepstral coefficients f or automatic pathology detection on sustained
vowel phonations: mathematical and statistical justification." Proc. 4th international symposium on
image/video communications over fixed and mobile networks, Bilbao, Brazil . 2008.
[112]. Dibazar, Alireza A., S. Naray anan, and Theodore W. Berger. "Feature analysis for automatic detection of
pathological speech." Engineering in Medicine and Biology, 2002. 24th Annual Conference and the Annual
Fall Meeting of the Biomedical Engineering Society EMBS/BMES Conference, 2002. Proceedings of the
Second Joint . Vol. 1. IEEE, 2002.
[113]. Hermansky, Hynek. "Perceptual linear predictive (PLP) analysis of speech." the Journal of the Acoustical
Society of America 87.4 (1990): 1738 -1752.
[114]. Baker, Kristin K., et al. "Thyroarytenoid muscle activ ity associated with hypophonia in Parkinson disease
and aging." Neurology 51.6 (1998): 1592 -1598.
[115]. Stelzig, Y., et al. "[Laryngeal manifestations in patients with Parkinson disease]." Laryngo -rhino –
otologie 78.10 (1999): 544 -551.
[116]. Perez, Kathe S., et al. "The Parkinson larynx: tremor and videostroboscopic findings." Journal of Voice 10.4
(1996): 354 -361.
[117]. Gentil, Michkle. "Acoustic characteristics of speech in Friedreich’s disease." Folia Phoniatrica et
Logopaedica 42.3 (1990): 125 -134.
[118]. E. Zervas, A. Mpimpoudi s , C. Anagnostopoulos , O. Sekkas , and S. Hadjiefthymiades, "Multisensor data
fusion for fire detection", Information Fusion 12 (2011), 150 –159.
[119]. Sung, Wen -Tsai, "Multi -sensors data fusion system for wireless sensors networks of factory monitoring via
BPN technology", Expert Systems with Applications 37 (2010), 2124 –2131.
[120]. Gongbo Zhou, Zhencai Zhu, Guangzhu Chen, and Lijuan Zhou, "Decision fusion rules based on multi -bit
knowledge of local sensorsin wireless sensor networks", Information Fusion 12 (2011), 1 87–193
[121]. Defebvre L., Vérin M."La maladie de parkinson, monographie de neurologie", Issy -les-Moulineaux Masson
(2006) pp : 45-56.
[122]. Leconomiste (15/7/2015), "http://www.leconomiste.com/article/883884 -parkinson -environ -30000 -cas-au-
maroc ".
[123]. Actualit é (20/7/2015) , “http://hitek.fr/actualite/smart -patch -traiter -maladie -parkinson_2310 ”.
[124]. Oskar E. , "Error Control in Wireless Sensor Networks A Process Control Perspective," Examensarbete 30
hp (2011 )
[125]. M. Roshanzadeh,S. Saqaeeyan,"Error Detection & Correction in Wireless Sensor Networks By Using
Residue Number Systems", IJCNIS, vol.4, no.2, pp.29 -35, 2012.
[126]. J.W. Byers, M. Luby, M. Mitzenmacher, and Ashutosh Rege, "A Digital Fountain Approach to Reliable
Distribution of Bulk Data", Vancouver, BC, Ca , SIGCOMM.
[127]. Dongge Li et al , Classification of General Audio Data for Content -Based Retrieval, Pattern Recognition
Letters 22, pp 533 -544, Elsevier Science, 2001
[128]. Dunn R., Reynolds D., Quatieri T., “Approaches to Speaker Detection and Tracking in Conversational
Speech”, Digital Signa l Processing 10, Academic Press, pp 93 -112, 2000
[129]. Lamel L. F. , Gauvain J. L., “Speaker verification over the telephone”, Speech Communication 31, Elsevier,
pp 141 -154, 2000
[130]. Gish H., Schmidt M., “Text -Independent Speaker Identification”, IEEE Signal Process ing Magazine, pp 18 –
32, October, 1994
[131]. Campbell J. P., “Speaker Recognition: A Tutorial”, Proceedings of the IEEE, vol 85, NO. 9, September, 1997
[132]. Moore B. C. J., “An Introduction to the Psychology of Hearing”, fourth edition, Academic Press, 1997
[133]. Oppenheim , R. W. Schaffer, Digital signal processing, Prentice Hall, New Jersey, 1968
[134]. Boite R., et al, Traitement de la parole, Presses polytechniques et universitaires romandes, Lausanne, 2000
[135]. Fletcher H., Munson W. A., “Loudness, its definition, measurement and c alculation” Journal of Acoustic
Society of America 5, pp 82 -108, 1933
[136]. Robinson D. W., Dadson R. S., “A re -determination of the equal -loudness relations for pure tones” British
Journal of Applied Physics 7, pp 166 -181, 1956

68
[137]. ISO 226, “Acoustics – Normal equa l-loudness contours” International Organization for Standardization,
Geneva, 1987
[138]. Scheirer E. D., “Music Listening Systems”, PhD Thesis, Massachusetts Institute of Technology, June 2000
[139]. Goldstein J. L., “An optimum processor theory for central formation of the pitch of complex tones”, Journal
of the Acoustical Society of America 54, 6, pp 1496 -1516, 1973
[140]. Licklider J. C. R., “A duplex theory of pitch perception”, Experientia 7, pp 128 -134, 1951
[141]. Slaney M., Lyon R. F., “A perceptual pitch detector”, proceeding s of the IEEE International Conference on
Acoustics, Speech, and Signal Processing ICASSP90, pp357 -360, 1990
[142]. I.F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirci, A survey on sensor networks, IEEE
Communications Magazine, pp. 102 -114, Aug. 2002.
[143]. Chouhan,S., Bose,R., and Balakrishnan,M., (2009). A framework for energy consumption based design space
exploration for wireless sensor nodes. IEEE Transaction on Computer -Aided Design Integrated Circuits
System. July 2009, 1017 -1024
[144]. Tian, D.F. Yuan, and Q.Q. Liang. Energy efficiency analysis of error control schemes in wireless sensor
networks, August 2008.
[145]. J.W. Byers, M. Luby, M. Mitzenmacher, and Ashutosh Rege. "A Digital Fountain Approach to Reliable
Distribution of Bulk Data", in Conference on Application s, Technologies, Architectures, and Protocols for
Computer Communication (SIG -COMM), Vancouver, BC, Canada, 1998.
[146]. E. Zervas , A. Mpimpoudis, C. Anagnostopoulos , O. Sekkas, and S. Hadjiefthymiades , ”Multisensor data
fusion for fire detection” Information Fusion vol.12 pp.150 –159, 2011.
[147]. W-T. Sung, “Multi -sensors data fusion system for wireless sensors networks of factory monitoring via BPN
technology”, Expert Systems with Applications vol.37 pp.2124 –2131, 2010.
[148]. G.Zhou , Z.Zhu, G.Chen, and L.Zhou “Decision f usion rules based on multi -bit knowledge of local sensors
in wireless sensor networks”, Information F usion vol.12, pp.187 –193, 2011 .
[149]. Z.Chair, P.K. Varshney, Optimal data fusion in multiple sensor detection systems, IEEE trans. Aerospa ce
Electron. Syst.22, pp.98 -101, 1986.
[150]. A. M. Aziz, “A new adaptive decentralized soft decision combining rule for distributed sensor systems with
data fusion”, Information Scien ces, Vol. 25, pp. 197 –210. 2014 .

69

Troisième partie : Publications annexées