Machine Translated by Google

Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Suara

Komplikasi di Kota Cerdas

Ali, Z., Muhammad, G., & Alhamid, MF (2017). Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita
IEEE Akses 5, , 3900-3908.
Komplikasi Suara di Kota Cerdas. https://doi.org/10.1109/ACCESS.2017.2680467

Tautan ke catatan publikasi di Portal Penelitian Universitas Ulster

Diterbitkan di:
Akses IEEE

Status Publikasi:
Diterbitkan (dalam bentuk cetak/terbitan): 09/03/2017

DOI:
10.1109/ACCESS.2017.2680467

Versi Dokumen
PDF Penerbit, juga dikenal sebagai Versi catatan

Hak- hak umum

Hak cipta untuk publikasi yang dapat diakses melalui Portal Penelitian Universitas Ulster dipegang oleh penulis dan/atau pemilik hak cipta lainnya dan merupakan syarat
untuk mengakses publikasi ini bahwa pengguna mengakui dan mematuhi persyaratan hukum yang terkait dengan hak-hak ini.

Mencatat kebijakan
Portal Riset adalah repositori institusional Universitas Ulster yang menyediakan akses ke hasil penelitian Ulster. Segala upaya telah dilakukan untuk memastikan bahwa
konten di Portal Riset tidak melanggar hak siapa pun, atau undang-undang Inggris Raya yang berlaku. Jika Anda menemukan konten di Portal Riset yang Anda yakini
melanggar hak cipta atau melanggar hukum apa pun, silakan hubungi pure-support@ulster.ac.uk.

Tanggal unduh: 04/02/2023

Machine Translated by Google
BAGIAN KHUSUS TENTANG LAYANAN MULTISENSORY DAN
TEKNOLOGI UNTUK PERAWATAN KESEHATAN DI KOTA PINTAR

Diterima 18 Februari 2017, diterima 6 Maret 2017, tanggal publikasi 9 Maret 2017, tanggal versi saat ini 24 April 2017.
Pengenal Objek Digital 10.1109/ ACCESS.2017.2680467

Sistem Pemantauan Kesehatan Otomatis

untuk Pasien yang Menderita Suara
Komplikasi di Kota Cerdas
ZULFIQAR ALI1, GHULAM MUHAMMAD1, DAN MOHAMMED F. ALHAMID2
1Departemen Teknik Komputer, Sekolah Tinggi Ilmu Komputer dan Informasi, Universitas King Saud, Riyadh 11543, Arab Saudi
2Departemen Rekayasa Perangkat Lunak, Sekolah Tinggi Ilmu Komputer dan Informasi, Universitas King Saud, Riyadh 11543, Arab Saudi

Penulis koresponden: Z. Ali (zuali@ksu.edu.sa), G. Muhammad (ghulam@ksu.edu.sa), dan M. Alhamid (mohalhamid@ksu.edu.sa)

Karya ini didukung oleh Dekan Riset Ilmiah, Universitas King Saud, Riyadh, Arab Saudi, melalui Grup Riset di bawah Proyek
RGP-1436-023.

ABSTRAK Evolusi saat ini di Internet of Things dan komputasi awan membuatnya dapat dipercaya untuk membangun kota dan
rumah pintar. Kota pintar memberikan teknologi pintar kepada penduduk untuk kehidupan yang lebih baik dan lebih sehat, di mana
sistem perawatan kesehatan pintar tidak dapat diabaikan karena orang tua yang berkembang pesat di seluruh dunia. Sistem
layanan kesehatan yang cerdas dapat menghemat biaya dan membantu dalam penggunaan sumber daya layanan kesehatan secara optimal.
Suara adalah sumber komunikasi utama dan setiap komplikasi dalam produksi suara memengaruhi kehidupan pribadi dan
profesional seseorang. Skrining dini suara melalui sistem deteksi gangguan suara otomatis dapat menyelamatkan nyawa seseorang.
Dalam makalah ini, sistem deteksi gangguan suara otomatis untuk memantau penduduk dari semua kelompok umur dan latar
belakang profesional diimplementasikan. Sistem yang diusulkan mendeteksi gangguan suara dengan menentukan sumber sinyal
dari ucapan melalui analisis prediksi linier. Analisis menghitung fitur dari subjek normal dan tidak teratur. Berdasarkan fitur-fitur ini,
spektrum dihitung, yang menyediakan distribusi energi pada subjek normal dan gangguan suara untuk membedakannya. Ditemukan
bahwa frekuensi yang lebih rendah dari 1 hingga 1562 Hz berkontribusi secara signifikan dalam mendeteksi gangguan suara.
Sistem dikembangkan dengan menggunakan sustaining vocal dan running speech sehingga dapat diterapkan di dunia nyata.
Akurasi yang diperoleh untuk deteksi gangguan suara dengan vokal bertahan adalah 99,94% ± 0,1, dan untuk ucapan berjalan
adalah 99,75% ± 0,8.

SYARAT INDEKS Kota pintar, pemantauan kesehatan, gangguan suara, prediksi liner, GMM.

I. PENDAHULUAN
Populasi lansia meningkat pesat di seluruh dunia termasuk Jepang, Cina
dan Eropa [1]. Menurut perkiraan, jumlah warga lanjut usia akan meningkat
menjadi 10 juta dalam dekade mendatang. Masalah kesehatan di antara
warga lanjut usia merupakan salah satu perhatian utama di negara maju
maupun negara berkembang secara ekonomi seperti Brazil dan India.
Warga lanjut usia menempati sebagian besar fasilitas terkait kesehatan
karena masalah kesehatan yang berbeda. Kota dan rumah pintar dapat
dikembangkan untuk memenuhi kebutuhan warga/lansia secara efisien
dan hemat biaya.
Perkembangan terbaru dalam internet of thing (IoT) membuat rumah
pintar dan kota pintar menjadi kenyataan [2]. IoT menyensor data dari
lingkungan sekitar dan membuat keputusan yang optimal. Tujuan dari
smart city adalah untuk memberikan penduduk kehidupan yang berkualitas
dengan kebutuhan dasar hidup serta layanan pemantauan kesehatan [1],
[3], [4]. Berbagai pilar kota pintar digambarkan pada Gambar 1. Teknologi
pintar menyediakan
informasi yang benar secara real time kepada pengguna yang dipilih pada
waktu yang tepat. Untuk memantau hewan peliharaan, sistem berbasis
biometrik hewan berhasil diterapkan di [5]. Selain itu, layanan kesehatan
pintar diusulkan di [6], sistem memantau status pasien dengan menangkap
suara dan video melalui sensor yang dipasang di dalam rumah pintar.
Pidato diproses dengan menggunakan fitur lokal [7], sedangkan fitur dari
video diekstrak dengan menggunakan pola interlaced derivatif [8].
Kota dan rumah pintar memiliki banyak manfaat tetapi keamanan data
masih merupakan tugas yang menantang. Sistem kesehatan yang cerdas
dengan keamanan data disarankan di [9]. Sistem pintar pemantauan
kesehatan ini termasuk teknologi komunikasi, kombinasi berbagai aplikasi,
benda (sensor dan perangkat), dan manusia.
Komponen sistem cerdas bekerja sama untuk memantau, melacak, dan
menyimpan informasi pasien untuk menjaga kesehatannya. Data
dikumpulkan melalui perangkat seluler yang diamankan dengan
watermarking. Sejumlah besar data dihasilkan dari IoT di kota pintar [10],
[11]. Kualitas

2169-3536 2017 IEEE. Terjemahan dan penambangan konten hanya diizinkan untuk penelitian akademik.
3900 Penggunaan pribadi juga diizinkan, tetapi publikasi/redistribusi memerlukan izin IEEE. VOLUME 5, 2017
Lihat http://www.ieee.org/publications_standards/publications/rights/index.html untuk informasi lebih lanjut.
Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas
GAMBAR 1. Tren kota pintar [1].
dan efisiensi data juga merupakan salah satu tantangan utama di kota pintar.
Namun, sistem cypher-physical yang hemat energi telah dijelaskan dalam [12].
Sistem deteksi gangguan suara otomatis di kota pintar dapat digunakan
untuk terus memantau suara penduduk dan memberi tahu dia jika ada
penurunan suara.
Menurut kamus medis [13], disfonia adalah kesulitan dalam berbicara,
biasanya dibuktikan dengan suara serak. Suara serak mewakili setiap
penyimpangan kualitas suara yang dirasakan oleh diri sendiri atau orang lain
[14]. Sampel suara dapat dikumpulkan di berbagai tempat umum, yaitu sekolah,
perguruan tinggi, universitas, pengadilan, dan taman. Warga dengan profesi
risiko tinggi prevalensi gangguan suara dapat dievaluasi secara teratur, dan
kampanye pencegahan dapat diluncurkan untuk menyadarkan mereka.
Orang yang bekerja dalam profesi yang menuntut suara seperti mengajar,
menyanyi, pusat panggilan dan peradilan memiliki risiko tinggi menderita
komplikasi suara [15], [16]. Selain itu, orang yang bekerja di latar belakang
kebisingan seperti pasar saham juga memiliki kemungkinan besar menderita
masalah suara.
Hanya di Amerika Serikat, sekitar 17,5 juta orang memiliki masalah terkait
suara [17]. Komplikasi suara dapat meningkat karena malfungsi dua lapisan
otot (disebut lipatan vokal) yang berada di bagian atas trakea. Sementara itu,
sistem saraf yang rusak (saraf laringeal rekuren) akibat cedera kepala dan
leher yang mengontrol pita suara juga merupakan salah satu penyebab
masalah suara [18]. Tekanan udara yang dihasilkan dari paru-paru
menggetarkan pita suara untuk menghasilkan suara. Getaran pita suara dapat
dipengaruhi oleh pertumbuhan jaringan abnormal pada permukaan pita suara
[19]–[21]. Karena masalah pada permukaan pita suara, mereka menunjukkan
getaran yang tidak beraturan yang menghasilkan suara serak, sesak napas,
dan kasar pada suara seseorang. Gangguan suara dapat menyerang orang
dari segala usia, anak kecil hingga lansia. Orang-orang menunda rumah sakit
VOLUME 5, 2017
kunjungan karena rutinitas kehidupan yang sibuk dan waktu tunggu yang lama.
Selain itu, ketergantungan pada anggota keluarga lain juga menjadi salah satu
alasan untuk menunda konsultasi ke dokter. Dalam kasus keterlambatan atau
ketidaktahuan, perawatan dengan sayatan pita suara menjadi perlu, karena
beberapa gangguan suara dapat berbahaya dan mengancam jiwa, seperti
keratosis [14]. Untuk menghindari risiko nyawa, penting untuk mendiagnosis
gangguan suara pada tahap awal dan dimungkinkan dengan bantuan sistem
deteksi gangguan suara otomatis. Dengan menggunakan sistem otomatis,
seseorang dapat menilai suaranya bahkan tanpa mengunjungi rumah sakit.
Berbagai sistem deteksi gangguan suara otomatis telah dilaporkan dalam
literatur. Ali dkk. [22] menggunakan pita frekuensi yang berbeda dalam sistem
otomatis untuk menentukan kontribusinya dalam membedakan subjek normal
dan tidak teratur. Selain itu, Pouchoulin et al. [23] dan Fraile et al. [24] juga
menemukan pita frekuensi yang signifikan untuk mendeteksi adanya gangguan
suara.
Ini adalah tugas yang relatif mudah untuk mengembangkan sistem deteksi
dengan menggunakan vokal berkelanjutan karena sinyal ucapan tetap diam
selama fonasi vokal berkelanjutan. Semua jenis analisis akustik, jangka pendek
dan jangka panjang, dapat digunakan untuk menganalisis vokal yang
dipertahankan. Sejumlah penelitian telah dilaporkan yang menggunakan
analisis akustik jangka pendek seperti Mel-frequency Cepstral Coefficients
(MFCC) [25]–[31] dan koefisien LP, dan parameter akustik jangka panjang [28],
[32]– [35] seperti shimmer, jitter, frekuensi fundamental, dan formants [36]–
[38]. Namun, ucapan lari lebih realistis daripada fonasi artifisial vokal
berkelanjutan karena orang menggunakan ucapan lari dalam percakapan
kehidupan sehari-hari. Running speech berisi berbagai karakteristik yang
sangat penting untuk evaluasi kualitas suara seperti jeda suara, informasi onset
dan offset suara, dan terminasi suara. Karakteristik vokal ini tidak sepenuhnya
ada pada vokal bertahan [39].
Selain karakteristik tersebut, jeda singkat dan keheningan membuat analisis
ucapan lari menjadi sulit. Analisis jangka panjang hanya membutuhkan bagian
pidato yang disuarakan, dan oleh karena itu, tidak dapat diandalkan dalam hal
pidato yang berjalan. Akurasi 86% dicapai pada [40] dengan menggunakan
analisis jangka panjang yang tidak baik. Analisis akustik jangka pendek adalah
pilihan yang lebih disukai untuk mengekstraksi fitur dari ucapan lari karena
ucapan lari bervariasi dengan cepat dari waktu ke waktu. Hanya sedikit
penelitian yang telah mengembangkan sistem deteksi gangguan suara berbasis
bicara [40]–[45]. Sebagian besar pekerjaan dilakukan untuk vokal berkelanjutan.
Di kota pintar, warga akan dipantau dengan menggunakan sampel suara
mereka yang akan menjadi pidato berjalan. Pada saat yang sama, sebagian
besar praktisi menggunakan vokal bertahan selama evaluasi klinis. Oleh karena
itu, sistem yang diusulkan dikembangkan sedemikian rupa sehingga dapat
bekerja untuk kedua jenis sinyal ucapan, vokal berkelanjutan dan ucapan
berjalan. Pada makalah ini, sistem deteksi gangguan otomatis diimplementasikan
dengan menggunakan analisis spektrum Linear Prediction (LP).
Sistem yang diusulkan menganalisis variasi energi dalam spektrum untuk
membedakan antara subjek normal dan tidak teratur. Analisis LP menganggap
saluran vokal sebagai model liner, dan membagi saluran vokal dalam beberapa
tabung
3901
Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas
GAMBAR 2. Diagram blok sistem yang diusulkan.
dari glotis ke bibir. Analisis LP memperkirakan sinyal sumber dengan
pemfilteran terbalik, dan kemudian, spektrum dihitung dengan
menggunakan sinyal sumber yang diperkirakan untuk menganalisis
distribusi energi pada kedua jenis subjek untuk mendeteksi gangguan
suara. Sistem yang diusulkan memberikan akurasi yang baik untuk
mendeteksi gangguan suara untuk vokal yang berkelanjutan serta ucapan yang
Makalah selanjutnya disusun sebagai berikut: Bagian 2 menjelaskan
usulan sistem deteksi gangguan suara otomatis. Deskripsi database
gangguan suara dan pemilihan urutan untuk analisis LP juga dijelaskan
di bagian ini. Bagian 3 menyajikan pengaturan eksperimental dan hasil
deteksi gangguan dengan menggunakan vokal berkelanjutan dan
ucapan lari. Bagian 4 memberikan pembahasan, dan akhirnya, Bagian
5 menarik beberapa kesimpulan.
II. BAHAN DAN METODE A.
SISTEM YANG DIUSULKAN UNTUK DETEKSI GANGGUAN
Interaksi saluran vokal dengan sumber suara adalah non-linear. Dalam
kasus fonasi yang sehat, frekuensi yang lebih rendah sangat bergantung
pada sumber daripada frekuensi yang lebih tinggi.
Hal ini disebabkan oleh formant glotal frekuensi rendah. Gangguan pita
suara mengganggu getaran pita suara yang menunjukkan penyimpangan
dalam sinyal sumber. Glotis menghasilkan dengungan (suara rendah,
bergetar dan berdengung) yang dapat dijelaskan dengan intensitas
dan frekuensinya. Suara yang dihasilkan oleh pita suara yang terkena
gangguan memiliki intensitas yang sangat rendah karena perilaku pita
suara yang tidak normal. Untuk menganalisis perbedaan antara
intensitas subjek normal dan gangguan, spektrum berbasis koefisien
LP dihitung. Sistem yang diusulkan menggunakan spektrum yang
dihitung untuk membedakan antara subjek normal dan tidak teratur.
Diagram blok dari sistem deteksi yang diusulkan ditunjukkan pada
Gambar 2.
3902
Saluran vokal, dari glotis ke bibir, memunculkan forman. Analisis LP
[46], [47] menentukan struktur formant dan menghapus pengaruhnya
dari sinyal suara untuk memperkirakan sinyal sumber. Analisis LP
menganggap saluran vokal sebagai tabung linier. Saluran vokal dapat
dipartisi menjadi tabung nomor tergantung pada urutan analisis LP.
Dalam
kasus analisis LP orde R, jumlah tabung akan menjadi R dan
berjalan.
sampel saat ini (n) akan diperkirakan dengan sampel R sebelumnya,
seperti yang diberikan oleh Persamaan. (1)
R
s (n) = pr × s(n ÿ r) (1)
r=1
di mana, pr mengacu pada koefisien LP. Penyaringan terbalik
menghilangkan efek forman dari sinyal ucapan, sinyal yang diperkirakan
setelah penyaringan juga disebut sebagai residu. Untuk menghitung
model LP yang akurat, kesalahan antara arus dan perkiraan sampel
harus minimum. Ini dapat dilakukan dengan membuat turunan orde
pertama ÿ (mean square error) sama dengan nol pada Persamaan. (2).
Himpunan persamaan yang diperoleh dapat diselesaikan dengan
menerapkan algoritma rekursif Levinson-Durbin [48].
Solusi dari persamaan dengan algoritma memberikan koefisien LP.
ÿ= dan
2
(N) (2)
N
di mana, e adalah kesalahan antara sampel saat ini dan sampel yang diestimasi
dan dapat didefinisikan dengan Persamaan. (3) sebagai
e = s (n) ÿ s (n) (3)
Untuk menghitung spektrum berdasarkan koefisien LP yang
diperoleh, respon frekuensi dari fungsi transfer diberikan
VOLUME 5, 2017
Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas

TABEL 1. Distribusi sampel normal dan patologis [49].

dalam Persamaan. (4), ditentukan. Pada subjek yang mengalami gangguan, jumlah penutur laki-laki
dan perempuan masing-masing adalah 70 dan 103. Apalagi pada subjek
Dia jw
normal, jumlah laki-laki dan perempuan adalah 21 dan 32. Rentang usia
Menjadi
jw kedua jenis kelamin untuk subjek normal dan tidak normal hampir sama.
=
ke e jw Subset dipilih sedemikian rupa sehingga usia dan jenis kelamin dari
2 kedua jenis subjek terdistribusi secara merata, dan berbagai gangguan
ÿÿ
= dipertimbangkan di dalamnya [49]. Dalam database MEEI, sampel
pr(1)+pr(2)eÿjw+pr(3)eÿj2w+ . , , +pr(R)eÿj(Rÿ1)w (4) direkam pada dua frekuensi sampling yang berbeda, yaitu 25 kHz atau
50 kHz. Untuk mendapatkan frekuensi sampling yang unik, fs , semua

2 di mana hal adalah sampel dari subset di-down-sample pada 16 kHz.

menunjukkan keuntungan selama analisis LP, R

dan koefisien p LP. Koefisien pr (1) dekat dengan glotis dan pr (R) lebih
Salah satu parameter utama dalam analisis LP adalah urutan filter
dekat ke bibir.
(jumlah koefisien LP) dan dapat mempengaruhi estimasi sinyal sumber.
Untuk mengembangkan sistem yang diusulkan, dua fase
diimplementasikan untuk klasifikasi otomatis subjek normal dan tidak Bahkan, analisis LP melakukan pemfilteran terbalik untuk mendapatkan
sumber suara dari sinyal ucapan. Urutan filter perlu diatur sedemikian
teratur. Fase pertama digunakan untuk melatih sistem, sedangkan fase
rupa sehingga analisis LP harus dapat menentukan puncak forman.
kedua digunakan untuk menguji sistem. Pada fase pelatihan, sistem
Karena, menghilangkan efek formant dari sinyal suara akan memberikan
yang diusulkan mengambil spektrum yang dihitung sebagai masukan
estimasi yang akurat dari sumber sinyal.
dan menghasilkan model akustik untuk subjek normal dan tidak teratur.
Model Campuran Gaussian (GMM) dihasilkan dengan menggunakan
Dalam kasus frekuensi pengambilan sampel 10 kHz, lebar pita
jumlah campuran yang berbeda.
analisis adalah 0 hingga 5 kHz. Jika jumlah koefisien disesuaikan
Algoritma K-means digunakan untuk menginisialisasi parameter dalam
dengan 10 maka berarti ada dua koefisien untuk setiap 1 kHz dari
model GMM = (µi, i), dimana µi dan i adalah rata-rata vektor dan matriks
kovarians dari i spektrum domain frekuensi yang dihitung. Markel dan Gray [55]
komponen Gaussian,
merekomendasikan, sepasang koefisien ekstra untuk memodelkan
masing-masing. Selain itu, parameter disetel dengan menggunakan
kemiringan spektral dan tidak mempengaruhi analisis secara negatif.
algoritma Expectation-Maximization (EM) untuk konvergen ke model
Kemiringan spektral adalah hasil dari bentuk pulsa glotal tunggal dan
yang memberikan nilai log-likelihood maksimum.
efek radiasi bibir. Markel dan Gray menyarankan bahwa beberapa
Tahap pengujian digunakan untuk mengevaluasi kinerja sistem. Pada
koefisien ekstra juga membantu dalam menganalisis pembentuk ruang
fase ini, spektrum yang dihitung dari sampel ucapan yang tidak diketahui
yang dekat dan memodelkan variasi speaker dalam kualitas suara.
dibandingkan dengan model GMM dari subjek normal dan tidak teratur.
Jika sampel yang tidak diketahui memiliki lebih banyak kemiripan dengan
Untuk vokal yang direkam pada 10 kHz dengan nada yang nyaman,
subjek yang mengalami gangguan daripada subjek normal, maka sampel
setidaknya diperlukan 12 koefisien. Namun, jumlah koefisien ini tidak
yang tidak diketahui adalah milik pasien yang mengalami gangguan.
cukup untuk sampling rate yang lebih tinggi.
Kalau tidak, sampel yang tidak diketahui milik orang normal.
Setidaknya satu koefisien diperlukan untuk setiap 1 kHz untuk laju
Basis data yang digunakan untuk melakukan eksperimen dalam
pengambilan sampel yang lebih tinggi untuk menghindari puncak (forman) yang hilang.
penelitian ini dijelaskan pada subbab berikut.
Dalam penelitian ini, semua sampel dari kedua jenis subjek adalah
B. PEMILIHAN DATABASE DAN PARAMETER MEEI
sampel turun hingga 16 kHz dan jumlah koefisien LP (urutan filter)
Sistem yang diusulkan dievaluasi dengan menggunakan vokal ditentukan dengan menggunakan hubungan yang diberikan oleh Persamaan. (5)
berkelanjutan /a/ serta ucapan lari. Sampel normal dan tidak berurutan fs
R= +2 (5)
dari vokal berkelanjutan dan ucapan yang berjalan diambil dari database 1000
Massachusetts Eye & Ear Infirmary (MEEI) [50]. Untuk membandingkan
AKU AKU AKU. HASIL PENGATURAN DAN DETEKSI EKSPERIMENTAL
hasil dengan studi yang ada, subset sampel yang sama digunakan yang
telah digunakan dalam [31], [49], dan [51]–[54]. Subset berisi 173 subjek Semua sampel vokal berkelanjutan dan ucapan lari di MEEI diturunkan
yang mengalami gangguan dan 53 subjek normal, dan distribusi sampel sampelnya menjadi 16 kHz. Menurut Persamaan. (5), jumlah koefisien
ini diberikan pada Tabel 1. LP yang dihitung menjadi 18. Koefisien LP dihitung dari setiap frame
dari setiap normal

VOLUME 5, 2017 3903

Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas

dan subjek yang tidak teratur. Dengan menggunakan koefisien LP ini, TABEL 2. Hasil deteksi gangguan dengan N = 128 dengan
menggunakan vokal berkelanjutan /a/.
spektrum dihitung pada resolusi frekuensi yang berbeda untuk
mengamati distribusi energi.
Berbagai percobaan dilakukan untuk mengevaluasi sistem yang
diusulkan untuk mendeteksi gangguan suara. Vokal berkelanjutan dan
ucapan lari digunakan untuk melakukan eksperimen dan hasil
eksperimen disajikan dengan menggunakan ukuran kinerja yang
berbeda: sensitivitas, spesifisitas, dan akurasi. Sensitivitas (SEN)
adalah rasio antara sampel yang benar-benar tidak beraturan dan
jumlah total sampel yang tidak beraturan. Spesifisitas (SPE) adalah
TABEL 3. Hasil deteksi gangguan dengan N = 512 dengan
rasio antara sampel normal yang benar-benar diklasifikasikan dan menggunakan vokal berkelanjutan /a/.
jumlah total sampel normal, dan akurasi (ACC) adalah rasio antara
semua sampel yang benar-benar teridentifikasi dan jumlah total
sampel. Langkah-langkah dihitung dengan menggunakan hubungan
berikut.
ancaman Abnormal
SEN = × 100 benar Abnormal + Kesehatan palsu benar (6)
Kesehatan

SP = × 100
benar Kesehatan + salah Abnormal benar
Abnormal + benar Kesehatan
ACC = × 100 total Abnorm + total Kesehatan
di mana Abnorm yang benar berarti ketika sampel yang tidak beraturan
terdeteksi sebagai sampel yang tidak beraturan oleh sistem, Abnorm
yang salah berarti bahwa ketika sampel yang normal terdeteksi sebagai
sampel yang tidak beraturan, Kesehatan yang sebenarnya berarti sampel
yang normal terdeteksi sebagai sampel yang normal oleh sistem, salah
Kesehatan berarti sampel yang mengalami gangguan terdeteksi sebagai
sampel normal, Kesehatan total menunjukkan jumlah total sampel
normal, dan Abnorm total menunjukkan jumlah total sampel yang tidak teratur. deteksi meningkat menjadi 99,94% ± 0,1. Akurasi 99,94% ± 0,1 dicapai
Untuk menghindari bias dari sampel pelatihan dan pengujian selama
evaluasi sistem yang diusulkan, pendekatan validasi silang 5 kali lipat
diimplementasikan untuk deteksi gangguan dengan vokal berkelanjutan
dan ucapan berjalan. Sampel dibagi menjadi lima subset pengujian
disjoint. Setiap kali salah satu subset digunakan untuk melatih sistem,
dan empat subset reaming digunakan untuk menguji sistem. Hasil
yang diperoleh dalam berbagai skenario disajikan dalam subbagian
berikut.
A. DETEKSI GANGGUAN DENGAN SUSTAINED VOWEL
PADA RESOLUSI YANG BERBEDA
Hubungan terbalik ada antara frekuensi dan resolusi waktu. Untuk
meningkatkan resolusi frekuensi, resolusi waktu harus dikurangi.
Dengan kata lain, panjang jendela analisis akan bertambah. Relasi
untuk resolusi frekuensi diberikan oleh Persamaan. (9)
(7)
N = 128 dan N = 512 masing-masing disajikan pada Tabel 2 dan Tabel
(8)
3. Hasil dengan N = 256 hampir sama dengan N = 128, oleh karena
itu, tidak dicantumkan. Semua hasil diperoleh dengan menggunakan
vokal berkelanjutan.
Hasil rata-rata dari 5 kali lipat disajikan pada Tabel 2 dan 3 dengan
kehancuran standar (STD) di antara hasil 5 kali lipat. Akurasi deteksi
maksimum yang diperoleh dengan N = 128 untuk mengklasifikasikan
subjek normal dan tidak teratur adalah 92,50% ± 1,1. Hasil pada Tabel
3 menunjukkan bahwa dengan meningkatkan resolusi frekuensi akurasi
dengan N = 512.
Dengan meningkatkan resolusi frekuensi, spektrum berbasis LP
terkomputasi membedakan antara subjek normal dan tidak teratur
secara signifikan. Selain itu, perbandingan antara akurasi untuk N =
128 dan N = 512 digambarkan pada Gambar. 3. Dapat dilihat pada
Gambar. 3 bahwa akurasi meningkat dengan meningkatkan jumlah
campuran Gaussian. Ini berarti bahwa jumlah Gaussian yang tinggi
menghasilkan model akustik yang sempurna untuk subjek normal dan
tidak teratur. Selain itu, dapat diamati dari Tabel 2 bahwa akurasi 90%
diperoleh dengan 4 campuran. Ada perbedaan yang jelas antara SPE
(95%) dan SEN (85%). Dengan menambah jumlah campuran, tidak
hanya akurasi yang ditingkatkan sebesar 2% tetapi juga perbedaan
antara SPE (90%) dan SEN (95%) berkurang.

B. DETEKSI GANGGUAN DENGAN UCAPAN BERLARI

1 fs
f= = (9) Suatu sistem yang didasarkan pada ucapan yang berjalan lebih realistis
T N
daripada ucapan artifisial dari vokal yang dipertahankan. Oleh karena itu,
Menurut Persamaan. (9), resolusi frekuensi akan meningkat dengan sistem yang diusulkan juga dievaluasi dengan menggunakan running speech.
penurunan f . Ini dapat dicapai baik dengan Sedangkan untuk vokal bertahan, hasil terbaik diperoleh dengan
mengurangi frekuensi pengambilan sampel fs atau meningkatkan menggunakan resolusi frekuensi tinggi, yaitu N = 512. Oleh karena itu,
jumlah sampel N di jendela analisis. Dalam percobaan, kami secara eksperimen running speech hanya dilakukan dengan menggunakan N
bertahap meningkatkan jumlah sampel untuk meningkatkan resolusi = 512, dan hasilnya disajikan pada Tabel 4.
frekuensi. Eksperimen dilakukan dengan menggunakan N sebesar Akurasi terbaik yang diperoleh dengan menggunakan running speech
128, 256 dan 512, satu per satu. Hasil untuk adalah 99,75% ± 0,8 dengan 50 campuran Gaussian. Jenis yang sama

3904 VOLUME 5, 2017

Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas
GAMBAR 3. Perbandingan akurasi antara N=128 dan N=512.
TABEL 4. Hasil deteksi gangguan dengan N = 512 dengan menggunakan
running speech.
Kecenderungan diperhatikan dalam kasus running speech bahwa
akurasi sistem meningkat dengan bertambahnya jumlah campuran.
Selain itu, standar deviasi di antara hasil 5 kali lipat menurun dengan
bertambahnya campuran, yang membuat hasilnya lebih andal.
IV. DISKUSI
Sistem pemantauan kesehatan untuk kota pintar diusulkan dalam
penelitian ini. Sistem yang diusulkan menghitung spektrum dengan
menggunakan koefisien LP untuk membedakan antara pasien normal
dan tidak teratur. Itu dapat digunakan di rumah untuk memantau warga
lanjut usia, dan di tempat umum yang berbeda untuk mengamati
penghuni dari berbagai latar belakang profesional. Oleh karena itu,
sistem dievaluasi dengan menggunakan running speech sehingga dapat
memproses konversi harian orang untuk mengetahui adanya gangguan
suara. Namun, sistem ini juga diuji dengan menggunakan vokal bertahan.
Dengan cara ini dapat diimplementasikan di klinik untuk memberikan
informasi pelengkap kepada praktisi medis tentang adanya gangguan
suara.
Getaran yang tidak teratur mengganggu pita suara yang
mempengaruhi sinyal sumber dan menghasilkan suara yang keras,
tegang, lemah dan bernafas. Analisis LP menerapkan pemfilteran
terbalik untuk menentukan sinyal sumber. Kemudian dihitung spektrum
untuk mengamati kekuatan sinyal sumber, dan ditemukan adanya
gangguan suara. Karena lebih lemah dan bernafas, suara yang terkena
gangguan mengandung energi yang lebih rendah daripada orang
normal. Dapat diamati dari Gambar 4 bahwa spektrum subjek yang
mengalami gangguan tidak mengandung energi tinggi dan menunjukkan
pola yang tidak beraturan. Sedangkan Gambar 5 menunjukkan bahwa
energi tinggi disajikan dalam pola yang teratur untuk sampel normal.
Dalam kedua gambar, spektrum vokal berkelanjutan dengan panjang
yang sama digambarkan, dan dapat diperhatikan bahwa frekuensi dari
1 Hz hingga 1562 Hz lebih signifikan dalam mendeteksi gangguan
suara. Rentang frekuensi itu memiliki
VOLUME 5, 2017
GAMBAR 4. Spektrum berdasarkan analisis LP dari subjek yang mengalami gangguan suara.
GAMBAR 5. Analisis LP berdasarkan spektrum subjek normal.
pola energi yang berbeda untuk subjek normal dan tidak teratur.
Fakta tersebut juga didukung oleh penelitian [22]. Dalam studi
tersebut, subjek normal dan tidak teratur diuraikan menjadi pita frekuensi
yang berbeda untuk menentukan kontribusi masing-masing pita frekuensi
dalam membedakan subjek normal dan tidak teratur. Studi menyimpulkan
bahwa pita frekuensi yang lebih rendah dari 1 Hz hingga 1562 Hz
mengandung energi yang lebih rendah untuk subjek gangguan
dibandingkan dengan subjek normal. Untuk pita ini, terdapat perbedaan
yang signifikan pada pola energi subjek normal dan tidak teratur. Akurasi
deteksi band yang diperoleh, 1 Hz hingga 1562 Hz, adalah 91,28% ±
0,4.
Dalam sistem otomatis yang kami usulkan, kami tidak menerapkan
modul deteksi aktivitas suara. Deteksi aktivitas itu sendiri merupakan
tugas yang sulit [44]. Beberapa sistem yang ada berdasarkan running
speech mengimplementasikan modul deteksi aktivitas suara [41]–[43].
Sistem seperti itu tidak benar-benar menggunakan running speech,
karena mereka hanya mengekstraksi bagian suara dari running speech
untuk mengembangkan sistem. Running speech berisi bagian diam,
bersuara dan tidak bersuara; oleh karena itu, merupakan tugas yang
menantang untuk mengembangkan sistem dengan menjalankan ucapan.
Beberapa sistem deteksi gangguan [40], [44], [45] telah
diimplementasikan tanpa modul deteksi aktivitas suara; Namun,
akurasinya tidak bagus. Sebuah perbandingan dari
3905
Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas
akurasi deteksi gangguan yang diperoleh untuk menjalankan ucapan adalah
GAMBAR 6. Perbandingan akurasi sistem yang kami usulkan dengan
sistem yang ada.
sistem yang diusulkan dengan sistem deteksi gangguan berbasis suara yang
sedang berjalan disajikan pada Gambar. 6. Perbandingan akurasi dilakukan
dengan tiga jenis studi. Studi yang menggunakan deteksi aktivitas suara
dilambangkan dengan ''VAD'', studi yang tidak mengimplementasikan modul
deteksi aktivitas suara dilambangkan dengan ''NoVAD'', dan studi yang telah
menggunakan pita frekuensi untuk deteksi gangguan suara adalah disebutkan
sebagai ''Freq'' pada Gambar. 6. Metode yang kami usulkan dalam penelitian
ini telah mengungguli sistem yang ada berdasarkan running speech, dan akurasi
99,8% tercapai.
Selain itu, sistem kami juga dievaluasi dengan vokal berkelanjutan sehingga
praktisi medis dapat menggunakannya di klinik.
V. KESIMPULAN
Sejumlah penduduk di kota pintar mungkin termasuk dalam profesi yang
memiliki risiko prevalensi gangguan suara yang tinggi. Komplikasi suara memiliki
dampak negatif terhadap kehidupan individu. Mereka tidak hanya mengganggu
rutinitas sehari-hari seorang pribadi tetapi juga mempengaruhi kehidupan
profesional.
Selain itu, peningkatan populasi lansia di negara-negara berkembang serta
negara-negara yang pertumbuhan ekonominya mengkhawatirkan. Sistem
perawatan kesehatan yang cerdas dapat membantu penduduk dari berbagai
profesi dan kelompok usia yang berbeda. Terlebih lagi, diagnosis dini gangguan
suara sangat penting.
Seringkali, orang mengabaikannya karena rutinitas hidup yang sibuk dan padat.
Akibatnya, mereka mempertaruhkan nyawa dan menjalani proses sayatan
untuk menyembuhkan gangguan suara tersebut. Ini tidak layak secara finansial,
dan juga pemborosan sumber daya di pusat kesehatan. Untuk menghindari
keadaan ini, sistem perawatan kesehatan yang cerdas diusulkan dan
dikembangkan. Sistem memantau suara penduduk tertentu seperti pengacara,
guru, penyanyi, dan yang bekerja di latar belakang kebisingan seperti pasar
saham. Selain itu, sistem yang diusulkan dapat memantau kesehatan semua
warga khususnya yang memiliki riwayat keluarga yang kuat dengan komplikasi
suara.
Sistem yang diusulkan menyelidiki distribusi energi di seluruh spektrum yang
dihitung dengan menggunakan koefisien LP untuk membedakan antara subjek
normal dan gangguan suara.
3906
Subyek yang menderita gangguan suara menunjukkan getaran pita suara yang
tidak teratur yang membuat suara menjadi lebih lemah, berbisik dan bernafas.
Oleh karena itu, suara subjek gangguan mengandung energi yang lebih rendah
dibandingkan dengan subjek normal.
Sistem yang diusulkan juga diimplementasikan dengan menggunakan running
speech yang merupakan tugas yang menantang karena variasi yang cepat dari
waktu ke waktu. Karena running speech, sistem yang diusulkan dapat digunakan
di dunia nyata karena orang menggunakan running speech dalam konversi
kehidupan sehari-hari. Kinerja sistem yang diusulkan cukup menjanjikan karena
99,75 ± 0,8. Akurasi sistem yang diusulkan dengan vokal bertahan juga baik,
yaitu 99,94 ± 0,1.
REFERENSI
[1] T. Guelzim, MS Obaidat, dan B. Sadoun, ''Pengenalan dan ikhtisar teknologi
pendukung utama untuk kota dan rumah pintar,'' di Rumah Kota Cerdas.
Cambridge, MA, AS: Morgan Kaufmann, 2016, hlm. 1–16, ch. 1.
[2] TKL Hui, RS Sherratt, dan DD Sánchez, ''Persyaratan utama untuk membangun
rumah pintar di kota pintar berdasarkan teknologi Internet of Things,'' Future
Generat. Komputer. Sistem, untuk diterbitkan, doi: http://dx.doi.org/10.1016/
j.future.2016.10.026.
[3] MS Hossain, ''Sistem pengenalan status pasien untuk perawatan kesehatan
menggunakan ucapan dan ekspresi wajah,'' J. Med. Sistem, vol. 40, hal. 272,
Desember 2016.
[4] MS Hossain dan A. El Saddik, ''Sistem repurposing konten multimedia yang
terinspirasi secara biologis dalam lingkungan heterogen,'' Multimedia Syst., vol.
14, tidak. 3, hlm. 135–143, Agustus 2008.
[5] S. Kumar dan SK Singh, ''Pemantauan hewan peliharaan di kota pintar
menggunakan biometrik hewan,'' Future Generat. Komputer. Sistem, untuk diterbitkan.
[On line]. Tersedia: http://dx.doi.org/10.1016/j.future.2016.12.006.
[6] MS Hossain, ''Pemantauan status pasien untuk perawatan kesehatan rumah
pintar,'' di Proc. IEEE Int. Konf. Lokakarya Pameran Multimedia (ICMEW), Juli
2016, hlm. 1–6.
[7] A. Mahmood, M. Alsulaiman, and G. Muhammad, ''Automatic speaker recognition
using multi directional local features (MDLF),'' Arabian J. Sci.
Eng., Vol. 39, tidak. 5, hal. 3799–3811, 2014.
[8] G. Muhammad, ''Pengenalan ucapan otomatis menggunakan pola interlaced
derivatif untuk sistem kesehatan berbasis cloud,'' Cluster Comput., vol. 18, tidak.
2, hlm. 795–802, Juni 2015.
[9] MS Hossain dan G. Muhammad, ''Industri Internet of Things (IIoT) berbantuan
awan—Kerangka kerja yang diaktifkan untuk pemantauan kesehatan,'' Comput.
Netw., vol. 101, hlm. 101-1 hlm. 192–202, Juni. 2016.
[10] HB Sta, ''Kualitas dan efisiensi data di 'kota pintar,''' Generasi Masa Depan.
Komputer. Sistem, untuk diterbitkan. [On line]. Tersedia: http://dx.doi.org/10.1016/
j.future.2016.12.021.
[11] U. Aguilera, O. Peña, O. Belmonte, dan D. Lopez-de- Ipiña. Komputasi. Sistem,
untuk diterbitkan.
[12] MS Hossain, MA Rahman, dan G. Muhammad, ''Kerangka kerja rumah pintar
multi-sensorik berbasis cloud fisik-cyber untuk orang lanjut usia: Perspektif
efisiensi energi,'' J. Parallel Distrib. Komputer, vol. 103, hlm. 11–21, Mei 2017.
[13] Kamus Medis Warisan Amerika Stedman, diakses pada 24 Januari 2016. [Online].
Tersedia: http://dictionary.reference.com/browse/ dysphonia
[14] T. Mau, ''Evaluasi diagnostik dan pengelolaan suara serak,'' Med.
Klinik. Amerika Utara, vol. 94, tidak. 5, hal. 945–960, September. 2010.
[15] N. Roy, RM Merrill, SD Gray, dan EM Smith, ''Gangguan suara pada populasi
umum: Prevalensi, faktor risiko, dan dampak pekerjaan,'' Laringoskop, vol. 115,
tidak. 11, hlm. 1988–1995, November 2005.
[16] N. Roy, RM Merrill, S. Thibeault, RA Parsa, SD Gray, dan EM Smith, ''Prevalensi
gangguan suara pada guru dan populasi umum,'' J. Speech Lang. Dengarkan
Res., vol. 47, hlm. 281–293, April 2004.
[17] N. Bhattacharyya, ''Prevalensi masalah suara di kalangan orang dewasa di
Amerika Serikat,'' Laringoskop, vol. 124, tidak. 10, hlm. 2359–2362, Oktober 2014.
VOLUME 5, 2017
Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas
[18] LHS Rosenthal, MS Benninger, dan RH Deeb, '' Imobilitas lipat vokal: Sebuah analisis
longitudinal etiologi lebih dari 20 tahun,'' Laringoskop, vol. 117, tidak. 10, hlm. 1864–
1870, Oktober 2007.
[19] AIR Fontes, PTV Souza, ADD Neto, A. de M. Martins, dan LFQ Silveira, ''Sistem
klasifikasi suara patologis menggunakan correntropy,'' Math. Masalah Eng., vol. 2014,
2014, Seni. TIDAK. 924786.
[20] SL Thibeault, RM Merrill, N. Roy, SD Gray, dan EM Smith, ''Faktor risiko pekerjaan
terkait dengan gangguan suara di kalangan guru,'' Ann.
Epidemiol., vol. 14, tidak. 10, hlm. 786–792, November 2004.
[21] J. Bohlender, ''Jebakan diagnostik dan terapeutik pada penyakit lipatan vokal jinak,''
GMS Topik Terkini Otorhinolaryngol. Bedah Kepala Leher, vol. 12, hlm. 1–19, Des.
2013.
[22] Z. Ali, I. Elamvazuthi, M. Alsulaiman, dan G. Muhammad, ''Deteksi patologi suara
menggunakan dimensi fraktal dalam analisis multiresolusi sinyal bicara normal dan
tidak teratur,'' J. Med. Sistem, vol. 40, tidak. 1, hlm. 1–20, Jan. 2015.
[23] G. Pouchoulin, C. Fredouille, J.-F. Bonastre, A. Ghio, dan J. Révis, Karakterisasi Suara
Patologis (Dysphonia) dalam ruang frekuensi, dalam Proc. Int. Selamat Fonet. Sains.
(ICPhS), 2007, hlm. 1993–1996.
[24] Karakterisasi suara disfonik melalui analisis spektral berbasis bank filter: vokal
berkelanjutan dan ucapan berjalan,'' J. Voice, vol. 27, tidak. 1, hal. 11–23, Jan. 2013.
[25] SC Costa, BGA Neto, dan JM Fechine, ''Kriminasi suara patologis menggunakan
analisis cepstral, kuantisasi vektor dan model Markov tersembunyi,'' dalam Proc. 8
IEEE Int. Konf. BioInformat. Bioeng. (BIBE), Oktober 2008, hlm. 1–5.
[26] JI Godino-Llorente dan P. Gomez-Vilda, ''Deteksi otomatis gangguan suara melalui
parameter cepstral jangka pendek dan detektor berbasis jaringan saraf,'' IEEE Trans.
Bioma. Eng., vol. 51, tidak. 2, hlm. 380–384, Februari 2004.
[27] W. Jianglin dan J. Cheolwoo, ''Deteksi kelainan lipatan vokal menggunakan metode
pengenalan pola,'' dalam Proc. Tahun ke-29. Int. Konf. IEEE Eng. Kedokteran Biol.
Soc. (EMBS), Agustus 2007, hlm. 3253–3256.
[28] A. Gelzinis, A. Verikas, dan M. Bacauskiene, ''Analisis ucapan otomatis diterapkan pada
kategorisasi penyakit laring,'' Comput. Metode Program Biomed., vol. 91, tidak. 1,
hlm. 36–47, Juli 2008.
[29] AA Dibazar, S. Narayanan, dan TW Berger, ''Analisis fitur untuk deteksi otomatis ucapan
patologis,'' dalam Proc. Konferensi ke-2 Bersama Eng. Kedokteran Biol., Tahun ke-24.
Konf. Tahun. Fall Meeting Biomed. Eng.
Soc. (EMBS/ BMES), vol. 1, Oktober 2002, hlm. 182–183.
[30] AA Dibazar, TW Berger, dan SS Narayanan, ''Penilaian Suara Patologis,'' dalam Proc.
Tahun ke-28. Int. Konf. IEEE Eng. Kedokteran Biol.
Soc. (EMBS), Agustus 2006, hlm. 1669–1673.
[31] JD Arias-Londoño, JI Godino-Llorente, N Saenz-Lechon, V Osma-Ruiz, dan transformasi
G Castellanos-Dominguez, Pengenalan Pola, vol. 43, tidak. 9, hlm. 101-1 3100–3112,
September 1999 . 2010.
[32] BGA Neto, JM Fechine, SC Costa, dan M. Muppa, ''Estimasi fitur untuk deteksi edema
lipatan vokal menggunakan analisis cepstral jangka pendek,'' dalam Proc. 7 IEEE Int.
Konf. Bioformat. Bioeng. (BIBE), Oktober 2007, hlm. 1158–1162.
[33] DG Childers dan K. SungBae, ''Deteksi fungsi laring menggunakan data ucapan dan
elektroglottografi,'' IEEE Trans. Bioma. Eng., vol. 39, tidak. 1, hlm. 19–25, Jan. 1992.
[34] M. Marinaki, C. Kotropoulos, I. Peters, dan N. Maglaveras, ''Deteksi otomatis kelumpuhan
pita suara dan edema,'' dalam Proc. 8th Int. Konf. Baru Diucapkan. Proses., 2004,
hlm. 100–100. 1–4
[35] G. Muhammad, TA Mesallam, KH Malki, M. Farahat, M. Alsulaiman, dan M. Bukhari,
''Analisis formant pada pasien disfoni dan pengenalan ucapan angka Arab otomatis,''
Biomed. Eng. Daring, vol. 10, tidak. 1, hal. 41, 2011.
[36] A. Al-Nasheri et al., '' Deteksi patologi suara dengan parameter MDVP menggunakan
database patologi suara bahasa Arab, '' di Proc. Nat ke-5 Simp. Inf.
Technol., Menuju Dunia Cerdas Baru (NSITNSW), Februari 2015, hlm. 1–5.
[37] A. Al-Nasheri et al., ''Sebuah penyelidikan parameter program suara multidimensi dalam
tiga database berbeda untuk deteksi dan klasifikasi patologi suara,'' J. Voice, vol. 31,
tidak. 1, hlm. 113.e9–113.e18, Januari 2016.
[On line]. Tersedia: http://dx.doi.org/10.1016/j.jvoice.2016.03.019.
[38] MK Arjmandi, M. Pooyan, M. Mikaili, M. Vali, dan A. Moqarehzadeh, ''Identifikasi
gangguan suara menggunakan fitur long-time dan support vector machine dengan
metode reduksi fitur yang berbeda,'' J.Voice, vol. 25, tidak. 6, hlm. e275–e289,
November 2011.
VOLUME 5, 2017
[39] B. Hammarberg, B. Fritzell, J. Gaufin, J. Sundberg, dan L. Wedin, ''Korelasi persepsi
dan akustik dari kualitas suara abnormal,'' Acta Otolaryn gol., vol. 90, no. 1–6, hlm.
441–451, November/Des. 1980.
[40] V. Klára, I. Viktor, dan M. Krisztina, ''Deteksi Gangguan Suara Berdasarkan Ucapan
Berkelanjutan,'' dalam Proc. 5 Euro. Konf. Int. Federasi Kedokteran.
Biol. Eng., 2012, hlm. 86–89.
[41] V. Parsa dan DG Jamieson, '' Diskriminasi akustik suara patologis: vokal berkelanjutan
versus ucapan terus menerus,'' J. Speech Lang. Dengarkan Res., vol. 44, hlm. 327–
339, April 2001.
[42] JI Godino-Lorente, R. Fraile, N. Saenz-Lechon, V. Osma-Ruiz, and P. Gomez-Vilda .
Proses Sinyal. Kontrol, vol. 4, tidak. 3, hal. 176–182 , 2009 .
[43] JR Orozco, JF Vargas, JB Alonso, MA Ferrer, CM Travieso, dan P. Henriquez, ''Deteksi
patologi suara dalam ucapan terus menerus menggunakan dinamika nonlinier,'' dalam
Proc. Int.11 Konf. Inf. Sci., Proses Sinyal.
Aplikasi (ISSPA), Juli 2012, hlm. 1030–1033.
[44] K. Umapathy, S. Krishnan, V. Parsa, dan DG Jamieson, ''Diskriminasi suara patologis
menggunakan pendekatan frekuensi waktu,'' IEEE Trans.
Bioma. Eng., vol. 52, tidak. 3, hal. 421–430, Maret 2005.
[45] Z. Ali, M. Alsulaiman, G. Muhammad, I. Elamvazuthi, dan TA Mesallam, ''Deteksi
kelainan lipatan vokal berdasarkan ucapan terus menerus dengan menggunakan
MFCC dan GMM,'' dalam Proc. Konferensi IEEE GCC ke-7
Pameran. (GCC), November 2013, hlm. 292–297.
[46] X. Lu dan J. Dang, ''Penyelidikan ketergantungan antara komponen frekuensi dan
karakteristik pembicara untuk identifikasi pembicara bebas teks,'' Speech Commun.,
vol. 50, tidak. 4, hlm. 312–322, April 2008.
[47] BS Atal, ''Efektivitas karakteristik prediksi linier gelombang ucapan untuk identifikasi
dan verifikasi pembicara otomatis,'' J. Acoust. Soc.
Amerika, vol. 55, tidak. 6, hal. 1304–1312, Juni 1974.
[48] J. Benesty dan T. Gansler, "Komputasi jumlah kondisi dari matriks toeplitz simetris non
singular dengan algoritma Levinson-durbin," IEEE Trans. Proses Sinyal., vol. 54,
tidak. 6, hlm. 2362–2364, Juni 2006.
[49] V. Parsa dan DG Jamieson, ''Identifikasi suara patologis menggunakan pengukuran
glotal noise,'' J. Speech, Language, Hearing Res., vol. 43, hlm. 469–485, 2000.
[50] Massachusette Eye & Ear Infirmry Voice & Speech LAB, ''Model database suara tidak
teratur 4337 (ver. 1.03),'' Kay Elemetrics Corp., Boston, MA, USA, Tech. Rep., 1994.
[51] T. Villa-Cañas et al., ''Deteksi otomatis patologi laring menggunakan analisis cepstral
dalam skala Mel dan Bark,'' dalam Proc. Simp. Gambar, Proses Sinyal., Artif. Vis.
(STSIVA), September 2012, hlm. 116–121.
[52] G. Muhammad dan M. Melhem, ''Deteksi suara patologis dan klasifikasi biner
menggunakan fitur audio MPEG-7,'' Biomed. Proses Sinyal.
Kontrol, vol. 11, hlm. 1–9, Mei 2014.
[53] M. Markaki dan Y. Stylianou, '' Deteksi dan diskriminasi patologi suara berdasarkan
fitur spektral modulasi,'' IEEE Trans. Audio, Pidato, Proses Bahasa., vol. 19, tidak. 7,
hlm. 1938–1948, September 2011.
[54] JI Godino-Llorente, P. Gomez-Vilda, dan M. Blanco-Velasco, ''Pengurangan dimensi
dari sistem penilaian kualitas suara patologis berdasarkan model campuran Gaussian
dan parameter cepstral jangka pendek,'' IEEE Trans. Bioma. Eng., vol. 53, tidak. 10,
hlm. 1943–1953, Oktober 2006.
[55] JD Markel dan AHJ Gray, Prediksi Bicara Linear. Berlin, Jerman: Springer-Verlag, 1976.
ZULFIQAR ALI menerima gelar master di
bidang matematika komputasi dari Universitas
Punjab, Lahore, dan ilmu komputer dari
Universitas Teknik dan Teknologi, Lahore,
dengan spesialisasi di bidang rekayasa sistem.
Sejak 2010, ia telah menjadi Peneliti tetap di
Kelompok Pemrosesan Pidato Digital,
Departemen Teknik Komputer, Universitas
King Saud, Arab Saudi. Ia juga merupakan
anggota dari Centre for Intelligent Signal and
Imaging Research, Universiti Teknologi PETRONAS, Malaysia. Minat
penelitiannya meliputi pemrosesan bicara dan bahasa, pemrosesan
sinyal medis, privasi dan keamanan dalam perawatan kesehatan,
forensik multimedia, dan sistem pelatihan pelafalan berbantuan komputer.
3907
Machine Translated by Google
Z. Ali et al.: Sistem Pemantauan Kesehatan Otomatis untuk Pasien yang Menderita Komplikasi Suara di Kota Cerdas

GHULAM MUHAMMAD menerima gelar BS dalam MOHAMMED F. ALHAMID menerima gelar Ph.D.
ilmu komputer dan teknik dari Universitas Teknik gelar dalam ilmu komputer dari Universitas Ottawa,
dan Teknologi Bangladesh pada tahun 1997 dan Kanada. Dia saat ini adalah Asisten Profesor di
MS dan Ph.D. gelar di bidang teknik elektro dan Departemen Rekayasa Perangkat Lunak, Universitas
komputer dari Toyohashi University and Technology, King Saud, Riyadh, Arab Saudi, di mana dia juga
Jepang, masing-masing pada tahun 2003 dan menjabat sebagai Ketua departemen. Minat
2006. Saat ini beliau adalah Profesor Penuh di penelitiannya meliputi sistem pemberi rekomendasi,
Departemen Teknik Komputer, CCIS, Universitas penambangan media sosial, data besar, dan
King Saud, Riyadh, Arab Saudi. Dia mengawasi lingkungan cerdas sekitar.
lebih dari sepuluh Ph.D. dan tesis master. Dia
terlibat dalam banyak proyek penelitian sebagai Penyelidik Utama dan
Penyelidik Utama Bersama. Dia telah menulis atau menulis bersama lebih
dari 120 publikasi, termasuk jurnal IEEE/ACM/Springer/Elsevier, dan makalah
konferensi utama. Dia memiliki paten AS untuk pemrosesan audio. Minat
penelitiannya meliputi pemrosesan gambar dan ucapan, cloud dan multimedia
untuk perawatan kesehatan, permainan serius, penyediaan sumber daya
untuk pemrosesan data besar di cloud media, dan pendekatan yang terinspirasi
secara biologis untuk multimedia dan sistem perangkat lunak. Dia adalah
penerima Japan Society for Promotion and Science Fellowship dari
Kementerian Pendidikan, Kebudayaan, Olahraga, Sains dan Teknologi,
Jepang. Ia menerima penghargaan fakultas terbaik Jurusan Teknik Komputer di KSU selama tahun 2014 dan 2015.

3908 VOLUME 5, 2017