CNN-Based Identification of Parkinson's Disease from Continuous Speech in Noisy Environments.

Araştırma özeti

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

Parkinson hastalığı, dopaminerjik nöron dejenerasyonunun neden olduğu ilerleyici bir nörodejeneratif bozukluktur. Parkinsonian konuşma bozukluğu hastalığın en erken sunumlarından biridir ve titreme ile birlikte pre-tanıtım için uygundur. Hipokinetik disartri ile tanımlanır ve solunum, fonatory, articulatory ve prosodik tezahürleri açıklar. Bu makalenin konusu, gürültülü bir ortamda kaydedilen sürekli konuşmadan Parkinson hastalığının yapay zeka temelli tanımlanmasını hedeflemektedir. Bu çalışmanın yeniliği iki yönlüdür. İlk olarak, önerilen değerlendirme iş akışı, sürekli konuşma örnekleri üzerinde konuşma analizi yaptı. İkinci olarak, Parkinsonian konuşma tanımlaması bağlamında konuşma denoizasyonu için Wiener filtresi uygulanabilirliğini analiz ettik ve niceledik. Yüksek sesle konuşma, tonlama, fonasyon, prosodi ve eklemlenmenin Parkinson özelliklerinin konuşma, konuşma enerjisi ve Mel spektrogramlarında yer aldığını savunuyoruz. Bu nedenle, önerilen iş akışı, özellik varyasyon aralıklarını belirlemek için özellik tabanlı bir konuşma değerlendirmesini, ardından konvolüsyonel sinir ağları kullanarak konuşma sınıflandırmasını takip eder. Konuşma enerjisinde %96, konuşma enerjisinde %93 ve Mel spektrogramlarda %92'lik en iyi sınıflandırma başarılarını rapor ediyoruz. Wiener filtresinin hem özellik tabanlı analizleri hem de evrişimsel-nöral-ağ tabanlı sınıflandırma performanslarını geliştirdiği sonucuna varıyoruz.

Özgün kaynak özetini okuyun

Parkinson's disease is a progressive neurodegenerative disorder caused by dopaminergic neuron degeneration. Parkinsonian speech impairment is one of the earliest presentations of the disease and, along with tremor, is suitable for pre-diagnosis. It is defined by hypokinetic dysarthria and accounts for respiratory, phonatory, articulatory, and prosodic manifestations. The topic of this article targets artificial-intelligence-based identification of Parkinson's disease from continuous speech recorded in a noisy environment. The novelty of this work is twofold. First, the proposed assessment workflow performed speech analysis on samples of continuous speech. Second, we analyzed and quantified Wiener filter applicability for speech denoising in the context of Parkinsonian speech identification. We argue that the Parkinsonian features of loudness, intonation, phonation, prosody, and articulation are contained in the speech, speech energy, and Mel spectrograms. Thus, the proposed workflow follows a feature-based speech assessment to determine the feature variation ranges, followed by speech classification using convolutional neural networks. We report the best classification accuracies of 96% on speech energy, 93% on speech, and 92% on Mel spectrograms. We conclude that the Wiener filter improves both feature-based analysis and convolutional-neural-network-based classification performances.

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.