Analysis of speech has become a popular non-invasive tool for assessing the speech abnormalities. Acoustic nature of the abnormal speech gives relevant information about the type of disorder in the speech production system. These signals are essentially non-stationary; may contain indicators of current disease, or even warnings about impending diseases. The indicators may be present at all times or may occur at random — during certain intervals of the day. However, to study and pinpoint abnormalities in voluminous data collected over several hours is strenuous and time consuming. Therefore, computer based analytical tools for in-depth study and classification of data over daylong intervals can be very useful in diagnostics. This paper deals with the classification of certain diseases using artificial neural network, and then analyzed. This analysis is carried out using continuous wavelet transformation patterns. The results for various types of subjects discussed in detail and it is evident that the classifier presented in this paper has a remarkable efficiency in the range of 80-85% of accuracy.

L'analyse de la voix est devenue un outil non invasif très répandu pour évaluer les anomalies de la parole. La nature acoustique de la parole anormale fournit une information pertinente sur la pathologie impliquée. Ces signaux, essentiellement non stationnaires, peuvent contenir des indicateurs de la maladie en cours, ou des avertissements de pathologies potentielles. Les indicateurs peuvent être présents à tout moment ou peuvent survenir au hasard à certaines périodes de la journée. Cependant, pour étudier et mettre en évidence ces anomalies dans des données volumineuses recueillies sur plusieurs heures est laborieux et très consommateur de temps. Les outils analytiques informatiques sont donc particulièrement indiqués pour réaliser l'étude en profondeur et la classification de ces données obtenues sur des intervalles de temps de l'ordre de la journée. Cet article présente une méthode de classification de certaines pathologies qui utilise les réseaux neuronaux. L'analyse est ensuite effectuée en utilisant les transformées en ondelettes. Les résultats obtenus sont détaillés et discutés. Il apparaît évident que la méthode de classification présentée est parfaitement efficace dans plus de 80% des cas.