nceThèse de doctorat en traitement de la parole Parkinsonienne à INRIA Bordeaux

Sujet : Traitement non-linéaire de la parole pour l'analyse et la classification de voix

Parkinsoniennes

Contexte scientifique :

La maladie de Parkinson (MP) est la maladie neurodégénerative la plus répandue après la maladie

d'Alzheimer. Elle touche 1.5% de la population âgée de plus de 65 ans et 143000 français. L'atrophie

multi-systématisée (AMS) est une maladie neurodégénérative rare et sporadique d'évolution

progressive et d’étiologie inconnue. Elle a une prévalence de 2 à 5/100000 et n'a pas de traitement

effectif. AMS appartient au groupe des troubles parkinsoniens atypiques et est responsable d’un

pronostic péjoratif. Dans les premiers stades de la maladie, les symptômes de MP et AMS sont très

similaires, surtout pour AMS-P où le syndrome parkinsonien prédomine. Le diagnostic différentiel

entre AMP-P et MP peut être très difficile dans les stades précoces de la maladie, tandis que la certitude

de diagnostic précoce est important pour le patient en raison du pronostic divergent. En effet, malgré

des efforts récents, aucun marqueur objectif valide n'est actuellement disponible pour guider le

clinicien dans ce diagnostic différentiel. La nécessité de ces marqueurs est donc très élevé dans la

communauté de la neurologie, en particulier compte tenu de la gravité du pronostic de AMS-P.

Les troubles de la parole et de la voix, communément appelés dysarthrie [1,2], dans la maladie de

Parkinson sont un marqueur clinique qui coïncide avec une déficience motrice et l'apparition d'une

déficience cognitive. Comme les patients MP, en fonction des zones du cerveau qui sont endommagées,

les personnes souffrant d'AMS peuvent également avoir des troubles de la parole: difficultés

d'articulation, rythme staccato, voix grinçante ou silencieuse. La dysarthrie dans l'AMS est plus sévère

et plus précoce dans le sens où elle nécessite plus de rééducation précoce par rapport à la MP.

Comme les troubles de la parole sont un symptôme précoce commun aux deux maladies et d'origine

différente. Notre approche consiste à utiliser la dysarthrie, grâce à un traitement numérique des

enregistrements vocaux des patients, comme un vecteur pour l'aide au diagnostic différentiel entre MP

et AMS-P dans les stades précoces de la maladie.

Objectif de la thèse :

Les voix pathologiques, telles que la MP et la MSA, présentent généralement une forte non-linéarité et

une turbulence élevée. Les phénomènes non-linéaires/turbulents ne sont pas naturellement bien décrits

par le traitement linéaire du signal. Ce dernier règle cependant actuellement sur la technologie de la

parole. Ainsi, du point de vue méthodologique, l'objectif de cette thèse est d'étudier la parole

Parkinsonienne dans le cadre des signaux et systèmes non linéaires et turbulents [3] . Ce cadre est en

effet mieux adapté à l'analyse de la gamme des phénomènes non linéaires et turbulents observés dans

les voix pathologiques en général, et dans la voix MP et MSA en particulier. Nous adopterons

notamment une approche basée sur de nouveaux algorithmes d'analyse non-linéaire de la parole

récemment développés dans l'équipe Gestation [4]. L'objectif est d'extraire les caractéristiques de la

parole pertinentes pour concevoir de nouvelles mesures de dysarthrie qui permettent une discrimination

précise entre les voix de MP et de MSA. Cela nécessitera également l'utilisation de méthodes

d'apprentissage statistique (Machine learning) afin de développer des classificateurs robustes (pour

discriminer les voix de MP et MSA) et d'établir des correspondances (régression) entre des mesures de

la parole et les scores cliniques standard quantifiant la sévérité de la maladie.

Les partenaires cliniques de ce projet sont des centres du CHU-Bordeaux et du CHU-Toulouse de

renommée internationale sur MP et AMS. Les partenaires académiques sont l'équipe Samova de l’IRIT,

qui a une grande expertise en traitement (linéaire) de la parole, et l'Institut Mathématique de Toulouse

(IMT) pour les aspects Machine learning.

Le doctorant participera ainsi activement à la collecte de données, en coordination avec les neurologues

et phoniatres du CHU-Bordeaux et CHU-Toulouse. Ces données consisteront en l'enregistrement des

voix des patients à l'aide d'un enregistreur numérique et du dispositif EVA2 (http://www.sqlab.fr/), ainsi

que de signaux électroglottographiques (EGG).

Références:

[1] Freed, D. Motor speech disorders. Thomson Learning Eds. 2000.

[2] Auzou, P.; Rolland, V.; Pinto, S., Ozsancak C. (eds.). Les dysarthries. Editions Solal. 2007.

[3] Kantz, H. and T. Schreiber, Nonlinear time series analysis. 2nd ed. 2004, Cambridge; New York: Cambridge

University Press.

[4] PhD thesis of Vahid Khanagha. GeoStat team, INRIA Bordeaux-Sud Ouest. January 2013.

http://geostat.bordeaux.inria.fr/images/vahid%20khanagha%204737.pdf

Directeur : Dr. Khalid Daoudi, équipe Gestat (khalid.daoudi@inria.fr).

Lieu : INRIA- Bordeaux Sud Ouest (http://www.inria.fr/bordeaux). Bordeaux, France.

Financement : Projet ANR (Voice4PD-MSA)

Début de la thèse : entre Le 1er Octobre et le 31 décembre 2017

Durée : 3 ans

Rémunération : ~1600€ net/mois, incluant la couverture sociale et médicale.

Compétences requises : De très bonnes connaissances en traitement de la parole/signal ainsi qu'en

programmation C++/Python et Matlab sont nécessaires. Des connaissances en apprentissage statistique

(Machine learning) seraient un grand plus.

Les candidatures doivent être adressées à khalid.daoudi@inria.fr