Identifikace hypokinetické dysartrie založená na automatizované extrakci parametrů pomocí neuronových sítí

Abstract

Tato bakalářská práce se věnuje identifikaci jednoho z nejčastějších projevů Parkinsonovy choroby, hypokinetické dysartrii, a to pomocí strojového učení. Zaměřuje se na porovnání extraktorů kontextových vektorů ze zvuku a jejich vhodnosti k použití k identifikaci dysartrie. První dvě kapitoly se věnují teoretickému seznámení s dysartrií a strojovým učením, třetí kapitola popisuje experiment, v němž je porovnáno pět různých volně dostupných extraktorů ze zvuku pomocí kosinové podobnosti, t-SNE vizualizace a jiných metod. Také obsahuje popis trénování klasifikátoru náhodný les a optimalizaci jeho parametrů. V poslední kapitole jsou zveřejněny a zhodnoceny výsledky tohoto experimentu.

This bachelor’s thesis focuses on the identification of one of the most common symptoms of Parkinson’s disease, hypokinetic dysarthria, using machine learning. It focuses on comparing audio embeddings extractors and evaluating their suitability for identifying dysarthria. The first two chapters provide a theoretical introduction to dysarthria and machine learning. The third chapter describes an experiment in which are five different publicly available audio feature extractors compared using cosine similarity, t-SNE visualization, and other methods. It also includes a description of training a Random Forest classifier and optimizing its parameters. The final chapter presents and evaluates the results of this experiment.