Analýza orální diadochokineze u progresivních neurologických onemocnění pomocí automatizované akustické analýzy

Jan Melechovský

Analysis of Oral Diadochokinesis in Progressive Neurological Diseases via Automated Acoustic Analysis

Type of document

diplomová práce
master thesis

Author

Jan Melechovský

Supervisor

Rusz Jan

Opponent

Krupička Radim

Field of study

Audiovizuální technika a zpracování signálů

Study program

Elektronika a komunikace

Institutions assigning rank

katedra radioelektroniky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Tato práce se zabývá problematikou automatické klasifikace neurodegenerativních onemocnění pomocí akustické analýzy orální diadochokineze. Dvě varianty algoritmu pro segmentaci řeči, který je nedílnou součástí pro vyhodnocení diadochokineze, jsou navrženy. Jejich přesnosti jsou porovnány a ten lepší je porovnán s předešlými algoritmy. S využitím tohoto algoritmu jsou pak z promluv pacientů extrahovány příznaky, jejichž významnost je vyhodnocena. Posledním krokem je klasifikace onemocnění s pomocí jednoduchého klasifikátoru. Práce je zakončena diskuzí nad výsledky a návrhy k budoucí práci.

This thesis deals with an automated assessment of neurodegenerative diseases by acoustic speech analysis using oral diadochokinesis. Two variants of speech segmentation algorithm necessary for the diadochokinetic task are designed. Their performance is evaluated and compared to previously designed algorithms from the literature. Furthermore, the speech segmentation algorithm is used to extract features from the utterances. The features are evaluated in terms of significance, and a simple classifier is built to distinguish between the neurodegenerative diseases. Finally, we discuss the results and make proposals for future work.