AFM signal model for dysarthric speech classification using speech biomarkers.

Araştırma özeti

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

Nörolojik bozukluklar, beyni, omuriliği ve sinir sistemini etkileyen çeşitli koşulları içerir ve bu da insan vücudu boyunca farklı organlarda ve kaslarda düşük performansla sonuçlanır. Dysarthia, bireyin konuşma yoluyla etkili bir şekilde iletişim kurma yeteneğini önemli ölçüde bozan nörolojik bir hastalıktır. Disartrisi olan bireyler, yavaş, lekeli ve daha az anlaşılır konuşma üretimi ile sonuçlanan kas zayıflığı ile karakterize edilir. Konuşma bozukluklarının başlangıç aşamalarında etkili bir şekilde tanımlanması, doktorların uygun ilaçları önermelerine yardımcı olur. Disartrik konuşmanın sınıflandırılması, sağlıklı konuşma kalıpları ile disartriden etkilenenler arasında doğru farklılaşmayı sağlayan bir teşhis aracı olarak önemli bir rol üstlenir. Disartrik konuşma ile sağlıklı bireylerin konuşması arasında net bir ayrım yapmak, ileri makine öğrenimi tekniklerinin uygulanmasıyla mümkün kılınmıştır. Bu çalışmada, Amplitude ve frekans modüle edilmiş (AFM) sinyal modelini kullanarak özellik çıkarma yaptık ve bu da kapsamlı bir benzersiz özellik dizisinin üretilmesine neden oldu. Fourier-Bessel serisi genişlemesini içeren bir yöntem, karmaşık bir konuşma sinyali içindeki çeşitli bileşenleri farklı unsurlara ayırmak için kullanılır. Daha sonra, Ayrık Enerji Ayırma Algoritması, konuşma sinyalindeki her bileşenden temel parametreleri, yani Genişleme zarfını ve Anlık frekansı çıkarmak için kullanılır. Bulgularımızın sağlamlığını ve uygulanabilirliğini sağlamak için, TORGO, UA Konuşması ve Parkinson veri kümeleri de dahil olmak üzere çeşitli kaynaklardan veri topladık. Ayrıca, sınıflandırıcının performansı, eğrinin altındaki alan, F1-Score, hassasiyet ve doğruluk, KNN, SVM, LDA, NB ve Boosted Tree gibi birden fazla ölçüme dayanarak değerlendirildi. Analizlerimiz, %85 ila %97,8 arasında değişen sınıflandırma akturasi ve 0,90 ile 0,97 arasında değişen F1-skoru ile sonuçlandı.

Özgün kaynak özetini okuyun

Neurological disorders include various conditions affecting the brain, spinal cord, and nervous system which results in reduced performance in different organs and muscles throughout the human body. Dysarthia is a neurological disorder that significantly impairs an individual's ability to effectively communicate through speech. Individuals with dysarthria are characterized by muscle weakness that results in slow, slurred, and less intelligible speech production. An efficient identification of speech disorders at the beginning stages helps doctors suggest proper medications. The classification of dysarthric speech assumes a pivotal role as a diagnostic tool, enabling accurate differentiation between healthy speech patterns and those affected by dysarthria. Achieving a clear distinction between dysarthric speech and the speech of healthy individuals is made possible through the application of advanced machine learning techniques. In this work, we conducted feature extraction by utilizing the Amplitude and frequency modulated (AFM) signal model, resulting in the generation of a comprehensive array of unique features. A method involving Fourier-Bessel series expansion is employed to separate various components within a complex speech signal into distinct elements. Subsequently, the Discrete Energy Separation Algorithm is utilized to extract essential parameters, namely the Amplitude envelope and Instantaneous frequency, from each component within the speech signal. To ensure the robustness and applicability of our findings, we harnessed data from various sources, including TORGO, UA Speech, and Parkinson datasets. Furthermore, the classifier's performance was evaluated based on multiple measures such as the area under the curve, F1-Score, sensitivity, and accuracy, encompassing KNN, SVM, LDA, NB, and Boosted Tree. Our analyses resulted in classification accuracies ranging from 85 to 97.8% and the F1-score ranging between 0.90 and 0.97.

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.