Comparative Study on Parkinson’s Disease Detection Using Multimodal Analysis of Handwriting and Speech Signals

Abstract

Predictive medicine is crucial in helping doctors assess patients and reduce the risk of Parkinson’s disease by making accurate predictions based on handwriting and speech signals, enabling early detection and timely intervention. This process relies on factors such as age, lifestyle, family history, and specific biomarkers related to Parkinson’s disease. This thesis presents the current research on the use of artificial intelligence and deep learning techniques in detecting Parkinson’s disease. The initial part of the discussion focuses on understanding the disease, it’s etiology, pathology and treatment. We then explore the field of deep learning, emphasizing the latest studies and its significant impact on the medical sector. Although deep learning shows great promise for enhancing medical diagnostics, it requires precise and accurate data to ensure positive patient outcomes. While some countries have started integrating deep learning techniques into medical practice, there is still much progress to be made. However, early results are encouraging, and there is optimism for continued advancements. The second part of this dissertation focuses on the latest research in analyzing complex handwriting and speech signal data using advanced deep learning techniques, integrating modern databases and incorporating various perspectives from researchers. We review recent literature on this topic, exploring diverse theories and approaches scientists have adopted to address the challenges posed by these complex signals. ***

La m´edecine pr´edictive est cruciale pour aider les m´edecins `a ´evaluer les patients et `a r´eduire le risque de maladie de Parkinson en faisant des pr´edictions pr´ecises bas´ees sur les signaux d’´ecriture et de parole, permettant ainsi une d´etection pr´ecoce et une intervention en temps opportun. Ce processus repose sur des facteurs tels que l’ˆage, le mode de vie, les ant´ec´edents familiaux et des biomarqueurs sp´ecifiques li´es `a la maladie de Parkinson. Cette th`ese pr´esente les recherches actuelles sur l’utilisation de l’intelligence artificielle et des techniques d’apprentissage profond dans la d´etection de la maladie de Parkinson. La premi`ere partie de la discussion se concentre sur la compr´ehension de la maladie, de son ´etiologie, de sa pathologie et de son traitement. Nous explorons ensuite le domaine de l’apprentissage profond, en mettant l’accent sur les derni`eres ´etudes et son impact significatif sur le secteur m´edical. Bien que l’apprentissage profond montre de grandes promesses pour am´eliorer les diagnostics m´edicaux, il n´ecessite des donn´ees pr´ecises et exactes pour garantir des r´esultats positifs pour les patients. Alors que certains pays ont commenc´e `a int´egrer des techniques d’apprentissage profond dans la pratique m´edicale, il reste encore beaucoup de progr`es `a faire. Cependant, les premiers r´esultats sont encourageants, et il y a un optimisme pour des avanc´ees continues. La deuxi`eme partie de cette dissertation se concentre sur les recherches les plus r´ecentes dans l’analyse des donn´ees complexes d’´ecriture et de signal vocal en utilisant des techniques avanc´ees d’apprentissage profond, int´egrant des bases de donn´ees modernes et incorporant diverses perspectives de chercheurs. Nous examinons la litt´erature r´ecente sur ce sujet, en explorant diverses th´eories et approches adopt´ees par les scientifiques pour relever les d´efis pos´es par ces signaux complexes.