Použití jednotřídních klasifikátorů pro diferenciální diagnostiku dysartrie

Abstract

Řečová analýza neurodegenerativních onemocnění jakou je Parkinsonova nemoc (PD) a Hungtingtonova nemoc (HD) přináší obrovský potenciál pro automatizovaný systémy hodnocení u populace pod rizikem vzniku neurodegenerativních onemocnění a následné vzdálené pozorování progrese a účinnosti léčby. Pro vývoj prediktivních modelů je třeba velká databáze lidí postižených neurodegenerací. Bohužel komplikace v získávání nových pacientů a omezení jazyka činí tuto možnost získávání nedostupnou. Tato bakalářská práce zkoumá myšlenku využití rozpoznávání modelu pouze na pacienty bez záznamu komunikačních a neurologických onemocnění, tedy zdravá skupina lidí (HC), kterou lze snadno získat. Práce navrhuje kritéria výběru přízaků vhodných pro diferenciální diagnostiku disartrie, zkoumá různé jednotřídní klasifikační metody, porovnává výkonnost jednotřídních a vícetřídních klasifikátorů, a nakonec diskutuje možnost využití klasifikátorů v klinické praxi. Databáze v této práci se skládala z 48 pacientů PD, 43 pacientů HD a 65 HC. Nikdo z pacientů netrpěl nemocí, která by mohla negativně ovlivnit průběh jejich testů. Každý z pacientů provedl rytmický test, úlohu prodloužené fonace hlásky /A/ a /I/, čtení textu, monolog a diadochokinetický test, z nichž byly zaznamenány akustické signály pomocí standardizovaného postupu a poté zcela zpracovány automatizovanými metodami. Příznaky byly vybrány pomocí série testů, které zahrnovaly korelaci, Bartlettův test homogenity odchylek, následovaný Anova1 testem a Kruskal-Wallisovým testem. Vybrané příznaky zdravých pacientů byly hodnoceny jednotřídními klasifikátory trénované na skupinu HC. Dosažené výsledky byly následně porovnávány s výsledky klasifikátorů vícetřídních, které byly naučeny jak na zdravý pacienty, tak na pacienty s dysartrií. Výsledky jednotřídních klasifikátorů dosahovaly až 84 procent přesnosti, což bylo téměř srovnatelné s výsledky vícetřídních klasifikátorů v kategorii obsahující PD i HD. Bohužel jednotřídní klasifikátory ve srovnání s vícetřídními klasifikátory nedosahovaly konzistentních výsledků pro individuální kategorie PD a HD. Nicméně naše výsledky ukázaly, že myšlenka využití modelu rozpoznávání založeného pouze na zdravých pacientech má potenciální využití v klinické praxi.

Speech analysis of neurodegenerative diseases such as Parkinson’s disease (PD) and Huntington’s disease (HD) yields tremendous potential for high-throughput screening in the population under the risk of developing neurodegenerative disorders and remote monitoring of progression and treatment efficacy. Big databases of speakers affected by neurodegeneration are necessary for development of predictive models. Unfortunately, difficulties in recruitment of new patients and limitations of the language make the big databases unavailable. This Bachelor's thesis examines the idea that a recognition model can be trained only on speakers with no history of communication or neurological disorder hereby healthy controls (HC) that can be recruited easily. The thesis proposes the criteria of feature selection for differentiation of dysarthria, reviews various one-class classification methods, compares the performance of one-class and multiclass classifiers on this task, and discusses the suitability of one-class classification in the clinical context. The database used in this thesis consisted of 48 subjects with PD, 43 subjects with HD, and 65 HC subjects. None of the subjects suffered from any additional disease that could negatively influence the speech performance. Each participant performed rhythm task, sustained phonation of vowels /A/ and /I/, monologue, reading passage and diadochokinetic task, of which acoustic signals were recorded using a standardized procedure and then processed by fully automated methods. The features were selected using series of tests that involved correlation, Bartlett's test of homogeneity of variances, followed with Anova1 test and Kruskal-Wallis test. Selected features of healthy controls were evaluated with one-class classifiers trained on HC and compared with multi-class classifiers trained on both HC and patients with dysarthria. The result of one-class classifiers reached up to 84 percent of accuracy, which was almost comparable outcome with multi-class classifiers for category containing both PD and HD. Unfortunately, one-class classifiers compared to multi-class classifiers performed inconsistently for individual categories of detection PD and HD. Nevertheless, our results suggest that the idea of using the one-class models have potential utilization in clinical practice.