Vývoj moderních akustických parametrů kvantifikujících hypokinetickou dysartrii

Simple item page
but.committeeprof. Ing. Zdeněk Smékal, CSc. (předseda) doc. Ing. MgA. Mgr. Dan Dlouhý, Ph.D. (místopředseda) Ing. Jiří Přinosil, Ph.D. (člen) Ing. František Rund, Ph.D. (člen) MgA. et Mgr. Ondřej Jirásek, Ph.D. (člen) Mgr. Tomáš Staudek, Ph.D. (člen)cs
but.defenceStudent obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta. Jaký je rozdíl mezi klasifikační a regresní analýzou?cs
but.jazykčeština (Czech)
but.programAudio inženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorGaláž, Zoltáncs
dc.contributor.authorKowolowski, Alexandercs
dc.contributor.refereeZvončák, Vojtěchcs
dc.date.created2019cs
dc.description.abstractTato práce se zabývá návrhem a testováním nových akustických parametrů pro zpracování dysprozodické řeči u pacientů trpících hypokinetickou dysartrií. V práci je uvedeno a otestováno 41 nových parametrů pro kvantifikaci prozodie, tzn. popisujících melodii, hlasitost, rytmus a tempo řeči. Nové parametry by se daly rozdělit do sedmi skupin. V rámci skupin se parametry liší především použitými statistickými veličinami. První čtyři skupiny jsou založeny na absolutních diferencích a kumulativních součtech základního kmitočtu a krátkodobé energie signálu. Pátá skupina obsahuje parametry založené na násobku základního kmitočtu a krátkodobé energie do jednoho globálního intonačního parametru. Šestá skupina obsahuje globální časové parametry, které jsou poměry konvenčních rytmických a konvenčních tempových parametrů. Poslední skupina pak obsahuje globální parametry pro kvantifikaci celé prozodie, což jsou poměry globálních intonačních a globálních časových parametrů. Všechny parametry byly testovány na české databázi řečníků s Parkinsonovou nemocí PARCZ. Pro jednotlivé parametry byly nejdříve vykresleny grafy hustoty pravděpodobnosti. Následně byla provedena korelační analýza s dostupnými medicínskými škálami, nejprve pro všechny, poté jen v rámci globálních parametrů. Dále byla provedena klasifikační a regresní analýza s novými parametry pomocí klasifikačních a regresních stromů. Tato analýza byla provedena nejdříve pro jednotlivé nové parametry, poté pro všechna data všech parametrů najednou, a nakonec byl proveden sekvenční výběr nejlepší kombinace parametrů pro danou problematiku. I když nevyšel jeden určitý parametr jako jasný favorit celé diplomové práce, bylo pár parametrů, které se mezi nejlépe vycházejícími objevovaly opakovaně, a také se u některých testů objevil trend, že mezi nejlepším a druhým nejlepším parametrem byl větší rozdíl než mezi jinými v pořadí, dalo by se tedy hovořit o parametrech, které byly pro danou analýzu mnohem lepší než ostatní testované. Konkrétní výsledky a diskuze jsou obsaženy v závěru.cs
dc.description.abstractThis work deals with designing and testing of new acoustic features for analysis of dysprosodic speech occurring in hypokinetic dysarthria patients. 41 new features for dysprosody quantification (describing melody, loudness, rhythm and pace) are presented and tested in this work. New features can be divided into 7 groups. Inside the groups, features vary by the used statistical values. First four groups are based on absolute differences and cumulative sums of fundamental frequency and short-time energy of the signal. Fifth group contains features based on multiples of this fundamental frequency and short-time energy combined into one global intonation feature. Sixth group contains global time features, which are made of divisions between conventional rhythm and pace features. Last group contains global features for quantification of whole dysprosody, made of divisions between global intonation and global time features. All features were tested on Czech Parkinsonian speech database PARCZ. First, kernel density estimation was made and plotted for all features. Then correlation analysis with medicinal metadata was made, first for all the features, then for global features only. Next classification and regression analysis were made, using classification and regression trees algorithm (CART). This analysis was first made for all the features separately, then for all the data at once and eventually a sequential floating feature selection was made, to find out the best fitting combination of features for the current matter. Even though none of the features emerged as a universal best, there were a few features, that were appearing as one of the best repeatedly and also there was a trend that there was a bigger drop between the best and the second best feature, marking it as a much better feature for the given matter, than the rest of the tested. Results are included in the conclusion together with the discussion.en
dc.description.markBcs
dc.identifier.citationKOWOLOWSKI, A. Vývoj moderních akustických parametrů kvantifikujících hypokinetickou dysartrii [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.cs
dc.identifier.other118146cs
dc.identifier.urihttp://hdl.handle.net/11012/177559
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectDatabáze PARCZcs
dc.subjectdysprozodiecs
dc.subjecthypokinetická dysartriecs
dc.subjectklasifikační analýzacs
dc.subjectklasifikační a regresní stromycs
dc.subjectkorelační analýzacs
dc.subjectkřížová validacecs
dc.subjectodhad hustoty pravděpodobnostics
dc.subjectparametry pro kvantifikaci dysprozodiecs
dc.subjectParkinsonova nemoccs
dc.subjectregresní analýzacs
dc.subjectsekvenční výběr parametrůcs
dc.subjectstatistické veličinycs
dc.subjectzpracování řečových signálů.cs
dc.subjectClassification analysisen
dc.subjectclassification and regression treesen
dc.subjectcorrelation analysisen
dc.subjectcross validationen
dc.subjectdysprosodyen
dc.subjectfeatures for dysprosody quantificationen
dc.subjecthypokinetic dysarthriaen
dc.subjectkernel density estimationen
dc.subjectPARCZ databaseen
dc.subjectParkinson’s diseaseen
dc.subjectregression analysisen
dc.subjectsequential floating feature selectionen
dc.subjectspeech signal processingen
dc.subjectstatistics.en
dc.titleVývoj moderních akustických parametrů kvantifikujících hypokinetickou dysartriics
dc.title.alternativeDevelopment of modern acoustic features quantifying hypokinetic dysarthriaen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2019-06-04cs
dcterms.modified2019-06-06-13:19:37cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid118146en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 13:35:24en
sync.item.modts2025.01.15 20:33:53en
thesis.disciplineAudio inženýrstvícs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
1.91 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
9.17 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_118146.html
Size:
4.14 KB
Format:
Hypertext Markup Language
Description:
file review_118146.html
Download
Collections
2019