Detecting Parkinson's disease from sustained phonation and speech signals.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Bu çalışma Parkinson hastalığı taraması için sürekli fonasyon ve metin bağımlı konuşma yöntemlerinden gelen sinyalleri araştırır. Phonation, Litvanya dilinde kısa bir cümlenin telaffuzuna karşılık gelen sesli /a/ sesli göreve ve konuşmaya karşılık gelir. Sinyaller aynı anda iki kanaldan, yani akustik kardiyoid (AC) ve akıllı telefon (SP) mikrofonlarından kaydedildi. Konuşma kaydının sesli ve sesli olmayan parçalara bölünmesiyle ek modaliteler elde edildi. Her modalitedeki bilgiler 18 iyi bilinen ses özellik seti ile özetlenmiştir. Rastgele orman (RF), hem bireysel özellik setleri hem de karar düzeyinde füzyon için bir makine öğrenme algoritması olarak kullanılır. Algılama performansı, torba dışı eşit hata oranı (EER) ve log-likelity-ratio maliyeti ile ölçülür. Essentia ses özelliği seti AC konuşma modulalitesini kullanarak en iyisiydi ve YAAFE ses özelliği seti SP sessiz modulalitesini kullanarak sırasıyla% 20.30 ve% 25.57 EER elde etti. Tüm özellik setlerinin ve modalitelerin kaynaşması, AC için% 19.27 EER ve SP kanalı için% 23.00 ile sonuçlandı. RF tabanlı bir yakınlık matrisinin 2D alana doğrusal olmayan projeksiyonu, görselleştirme ile tıbbi karar desteğini zenginleştirdi.

Özgün kaynak özetini okuyun

This study investigates signals from sustained phonation and text-dependent speech modalities for Parkinson's disease screening. Phonation corresponds to the vowel /a/ voicing task and speech to the pronunciation of a short sentence in Lithuanian language. Signals were recorded through two channels simultaneously, namely, acoustic cardioid (AC) and smart phone (SP) microphones. Additional modalities were obtained by splitting speech recording into voiced and unvoiced parts. Information in each modality is summarized by 18 well-known audio feature sets. Random forest (RF) is used as a machine learning algorithm, both for individual feature sets and for decision-level fusion. Detection performance is measured by the out-of-bag equal error rate (EER) and the cost of log-likelihood-ratio. Essentia audio feature set was the best using the AC speech modality and YAAFE audio feature set was the best using the SP unvoiced modality, achieving EER of 20.30% and 25.57%, respectively. Fusion of all feature sets and modalities resulted in EER of 19.27% for the AC and 23.00% for the SP channel. Non-linear projection of a RF-based proximity matrix into the 2D space enriched medical decision support by visualization.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.