NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) ve esansiyel titreme (ET), ağırlıklı olarak yaşlı insanları etkileyen yaygın hareket bozukluklarıdır ve paylaşılan klinik özellikler nedeniyle tanı zorlukları sunar. Her iki bozukluk da PD'de belirgin konuşma kalıpları-hipokinetik disartri ve ET'de hiperkinetik disartri sergilerken, farklılaşma için konuşma değerlendirmesinin etkinliği keşfedilmemiştir. Otomatik ayrımcılık için teknoloji geliştirmek erken teşhis ve sürekli izlemeyi sağlayabilir. Bununla birlikte, bu hastalarda konuşma davranışını araştırmak için veri eksikliği, tanısal destek için bir çerçevenin geliştirilmesini engellemiştir. Buna ek olarak, diller arasındaki fonetik değişkenlik, evrensel bir konuşma değerlendirme sistemi kurmada pratik zorluklar yaratmaktadır. Bu nedenle, dünya çapında farklı dillerde mevcut olan fonetik değişkenliğe dayanıklı modeller geliştirmek gerekir. Çekçe PD ve ET hastalarını sınıflandırmak için Almanca ve İspanyolca eğitim almış modellerden alan adaptasyonunu değerlendirmek için Gaussian karışım modellerine dayanan bir yöntem önermekteyiz. Üç farklı konuşma boyutunu modelledik: artikülasyon, fonasyon ve prosodi ve modellerin performansını hem iki sınıf hem de üç sınıflı sınıflandırma senaryolarında (sağlıklı kontrollerin eklenmesiyle) değerlendirdik. Sonuçlarımız, üç konuşma boyutunun bir birleşiminin, sırasıyla monolog ve /pa-ta-ka / görevler için 81.4 ve % 86.2’ye kadar akkurasi ile ikili sınıflandırmada optimal sonuçlar elde ettiğini göstermektedir. Üç sınıf senaryolarda, sağlıklı konuşma sinyallerinin dahil edilmesi, sırasıyla monolog ve /pa-ta-ka / görevler için 63,3 ve %71.6'lık bir birikimle sonuçlandı. Bulgularımız, makine öğrenimi ile birlikte otomatik konuşma analizinin sağlam, doğru olduğunu ve PD ve ET hastalarını ayırt etmek için farklı dillere uyarlanabileceğini göstermektedir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) and essential tremor (ET) are prevalent movement disorders that mainly affect elderly people, presenting diagnostic challenges due to shared clinical features. While both disorders exhibit distinct speech patterns-hypokinetic dysarthria in PD and hyperkinetic dysarthria in ET-the efficacy of speech assessment for differentiation remains unexplored. Developing technology for automatic discrimination could enable early diagnosis and continuous monitoring. However, the lack of data for investigating speech behavior in these patients has inhibited the development of a framework for diagnostic support. In addition, phonetic variability across languages poses practical challenges in establishing a universal speech assessment system. Therefore, it is necessary to develop models robust to the phonetic variability present in different languages worldwide. We propose a method based on Gaussian mixture models to assess domain adaptation from models trained in German and Spanish to classify PD and ET patients in Czech. We modeled three different speech dimensions: articulation, phonation, and prosody and evaluated the models' performance in both bi-class and tri-class classification scenarios (with the addition of healthy controls). Our results show that a fusion of the three speech dimensions achieved optimal results in binary classification, with accuracies up to 81.4 and 86.2% for monologue and /pa-ta-ka/ tasks, respectively. In tri-class scenarios, incorporating healthy speech signals resulted in accuracies of 63.3 and 71.6% for monologue and /pa-ta-ka/ tasks, respectively. Our findings suggest that automated speech analysis, combined with machine learning is robust, accurate, and can be adapted to different languages to distinguish between PD and ET patients.
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.