NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
İnsanların sesi, herhangi bir insan faaliyetinin en geniş motor fenomenlerini sunar. Bununla birlikte, Parkinson hastalığı (PD) gibi hareket bozuklukları olan kişilerde klinik değerlendirmesi, ileri analitik otomatik konuşma işleme metodolojisi konusundaki mevcut bilgilerin gerisinde kalmaktadır. Burada, kişiselleştirilmiş Convolutional Recurrent Neural Networks (p-CRNN) ve Phone Attribute Codebooks (PAC) kullanarak, PD'li 14 kişide ses kayıtlarını diferansiyel olarak analiz etmek için derin öğrenme tabanlı konuşma işleme kullanıyoruz. p-CRNN, ON ve OFF motor durumlarının ikili sınıflandırmasında 0,86/0,78 hassasiyet / özgüllükte %82,35 doğruluk sağlar. PAC tabanlı yaklaşımın doğruluğu 0.69/0.77 hassasiyet/özellik ile %73.08 ile biraz daha düşüktü, ancak bu yöntem hesaplamalı biyobelirteçlerin daha kolay yorumlanmasını ve anlaşılmasını sağlar. Hem p-CRNN hem de PAC, PD'li kişilerin konuşmalarının ayırt edici bileşenleri hakkında farklılaştırılmış bir bakış açısı ve yeni bilgiler sunar. Her iki yöntem de aktif fonetik ve prosodik özellikler de dahil olmak üzere dopaminerjik tedaviye uygun ses niteliklerini tespit eder. Bulgularımız, PD'li kişilerde konuşmanın nicel ölçümlerinin yolunu açabilir.
Özgün kaynak özetini okuyun
Humans' voice offers the widest variety of motor phenomena of any human activity. However, its clinical evaluation in people with movement disorders such as Parkinson's disease (PD) lags behind current knowledge on advanced analytical automatic speech processing methodology. Here, we use deep learning-based speech processing to differentially analyze voice recordings in 14 people with PD before and after dopaminergic medication using personalized Convolutional Recurrent Neural Networks (p-CRNN) and Phone Attribute Codebooks (PAC). p-CRNN yields an accuracy of 82.35% in the binary classification of ON and OFF motor states at a sensitivity/specificity of 0.86/0.78. The PAC-based approach's accuracy was slightly lower with 73.08% at a sensitivity/specificity of 0.69/0.77, but this method offers easier interpretation and understanding of the computational biomarkers. Both p-CRNN and PAC provide a differentiated view and novel insights into the distinctive components of the speech of persons with PD. Both methods detect voice qualities that are amenable to dopaminergic treatment, including active phonetic and prosodic features. Our findings may pave the way for quantitative measurements of speech in persons with PD.
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.