Realizace algoritmu pro segmentaci promluv pacientů trpících Huntingtonovou nemocí

Abstract

Tato diplomová práce se zabývá problematikou diagnostiky hypokinetiské dysartrie jako prvotní příznak Huntingtonovi nemoci (HN). K vyhodnocování kvality řečového aparátu jsou používány řečové diadochokinetické (DDK) úlohy, založené na rychlém opakování slabik /pa/-/ta/-/ka/. Hlavním tématem je realizace algoritmu pro segmentaci patologických promluv pacientů trpící touto nemocí. Metoda předpokládá, že řeč obsahující explozívy, vokály a části bez řečové aktivity lze považovat za multimodální směs normálních rozdělení parametrů počtu průchodů nulou, spektrální entropie, vlnové transformace či rozptylu autokorelační funkce, tzv. směs Gaussovských rozdělení (Gaussian Mixture Model - GMM). Pro klasifikaci parametrů je využito GMM-algoritmu. Výstupem algoritmu jsou hranice jednotlivých explozív, vokálů a částí bez řečové aktivity. Dále jsou segmenty hodnoceny vhodnými řečovými příznaky, podle kterých jsou odlišeny nahrávky zdravého člověka od pacienta s HN.

This thesis deals with problem of diagnosis hypokinetic dysarthria in Huntington's disease (HD). To evaluate the quality of the speech apparatus are used speech diadochokinetic (DDK) tasks, based on the repetition of syllables /pa/-/ta/-/ka/. Main aim is implementation of the algorithm for segmentation pathological utterances of patients suffering from HD. The method assumes that speech comprising plosives, vocals and parts without speech activity is considered to be multi-modal mixture normal distribution of zero-crossing rate, spectral entropy, wavelet transform, or variance of autocorrelation function, ie. Gaussian Mixture Model - GMM. The method sequentially estimates parameters of individual classes using the GMM-algorithm. Plosives, vocals, and parts without speech activity boundaries are outputs of the algorithm. Segmented utterances are evaluated appropriate speech symptoms. These symptoms distinguish records of healthy people form patients with HD.