Diferenční analýza mírné kognitivní poruchy, demence s Lewyho tělísky a Parkinsonovy nemoci
Loading...
Date
Authors
Malcher, Tomáš
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato diplomová práce zkoumá potenciál analýzy řeči jako nástroje pro diferenciální diagnostiku tří neurologických onemocnění: mírné kognitivní poruchy (MCI), demence s Lewyho tělísky (DLB) a Parkinsonovy nemoci (PD). Studie využívá komplexní přístup, kdy z nahrávek řeči extrahuje akustické a lingvistické parametry a hodnotí jejich účinnost při rozlišování mezi klinickými skupinami a zdravými kontrolami (HC). Akustické parametry, zejména ty související s časovou organizací a spektrálními charakteristikami, vykázaly lepší výsledky v klasifikaci než lingvistické rysy a dosáhly přesnosti 0,64 při rozlišení MCI od DLB. Klasifikace mezi HC a PD vykázala vysokou specificitu (0,90), ale nízkou sensitivitu (0,26), což odráží obtížnost detekce změn v řeči u časných stádií Parkinsonovy nemoci. Explorativní analýza odhalila odlišné vzorce souvislostí mezi řečovými parametry a neuropsychologickými měřeními: časové parametry (délka pauz, průměrné trvání pauz) korelovaly především se skóre deprese, zatímco akustické parametry (zejména parametr zaměřený na směrodatnou odchylku kontury intenzity vzhledem k jejímu průměru) vykazovaly silnější vztahy s kognitivními funkcemi, především s pozorností. Nečekaný vztah mezi podílem složitých vět a vizuálně-prostorovým zpracováním naznačil možnou existenci sdílených nervových struktur. Přestože výsledky klasifikace zatím nedosahují úrovně klinického využití, práce přináší cenné poznatky o vztahu mezi charakteristikami řeči a neurologickými poruchami a vytváří základ pro vývoj objektivních, neinvazivních diagnostických nástrojů. Budoucí výzkum by se měl zaměřit na longitudinální sledování změn řeči v průběhu onemocnění a integraci pokročilých akustických analýz.
This master's thesis investigates the potential of speech analysis as a tool for differential diagnosis of three neurological disorders: mild cognitive impairment (MCI), Lewy body dementia (DLB), and Parkinson's disease (PD). The study employs a comprehensive approach by extracting both acoustic and linguistic parameters from speech recordings and evaluating their effectiveness in distinguishing between clinical groups and healthy controls (HC). Acoustic parameters, particularly those related to temporal organization and spectral characteristics, demonstrated superior classification performance compared to linguistic features, achieving an accuracy of 0.64 in differentiating MCI from DLB. The HC and PD classification showed high specificity (0.90) but low sensitivity (0.26), reflecting the challenges in detecting speech alterations in early-stage PD. Exploratory analysys revealed distinct association patterns between speech parameters and neuropsychological measures: temporal features (pause time, average pause duration) correlated primarily with depression scores, while acoustic parameters (especially the parameter focused on the standard deviation of the intensity contour relative to its mean) showed stronger associations with cognitive measures, particularly attention. An unexpected correlation between complex sentence ratio and visuospatial processing suggested potential shared neural substrates. Despite moderate classification performance limiting immediate clinical application, this research provides valuable insights into the relationship between speech characteristics and neurological disorders, establishing a foundation for the development of objective, non-invasive diagnostic tools. Future directions include longitudinal studies tracking speech changes over disease progression and the integration of advanced acoustic analyses.
This master's thesis investigates the potential of speech analysis as a tool for differential diagnosis of three neurological disorders: mild cognitive impairment (MCI), Lewy body dementia (DLB), and Parkinson's disease (PD). The study employs a comprehensive approach by extracting both acoustic and linguistic parameters from speech recordings and evaluating their effectiveness in distinguishing between clinical groups and healthy controls (HC). Acoustic parameters, particularly those related to temporal organization and spectral characteristics, demonstrated superior classification performance compared to linguistic features, achieving an accuracy of 0.64 in differentiating MCI from DLB. The HC and PD classification showed high specificity (0.90) but low sensitivity (0.26), reflecting the challenges in detecting speech alterations in early-stage PD. Exploratory analysys revealed distinct association patterns between speech parameters and neuropsychological measures: temporal features (pause time, average pause duration) correlated primarily with depression scores, while acoustic parameters (especially the parameter focused on the standard deviation of the intensity contour relative to its mean) showed stronger associations with cognitive measures, particularly attention. An unexpected correlation between complex sentence ratio and visuospatial processing suggested potential shared neural substrates. Despite moderate classification performance limiting immediate clinical application, this research provides valuable insights into the relationship between speech characteristics and neurological disorders, establishing a foundation for the development of objective, non-invasive diagnostic tools. Future directions include longitudinal studies tracking speech changes over disease progression and the integration of advanced acoustic analyses.
Description
Citation
MALCHER, T. Diferenční analýza mírné kognitivní poruchy, demence s Lewyho tělísky a Parkinsonovy nemoci [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Zvuková produkce a nahrávání
Comittee
doc. Ing. Jiří Schimmel, Ph.D. (předseda)
doc. Ing. Petr Sysel, Ph.D. (místopředseda)
MgA. Michal Indrák, Ph.D. (člen)
Ing. MgA. Jana Jelínková (člen)
Ing. Jaromír Mačák, Ph.D. (člen)
Date of acceptance
2025-06-12
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Otázky oponenta:
1) Prosím popište výhody/nevýhody užití CatBoost algoritmu v porovnání s XGBoost ve Vaši práci?
Otázky komise:
1) Na základě čeho byla provedena volba vhodných parametrů?
2) K čemu v práci sloužily statistické testy?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení