Non-Linear and Non-Stationary Speech Analysis of Parkinson’s Disease Using Empirical Mode Decomposition
Notice bibliographique
Résumé
<p>The objective of the thesis is to provide a set of features that represents the physiological manifestation of Parkinson's disease (PD) in voice and machine learning methods to determine PD voice. PD is the only neurological disorder with increasing age-specific prevalence between 1990 and 2015. There is no cure for PD. Early detection can slow down disease progress through treatments. PD voice impairment can occur as early as 7-11 years prior to diagnosis. Parkinsonian dysarthria has a set of well-established hand-crafted features. However, a lot of these features require manual processes by skilled personnel. Furthermore, most PD datasets are too small for deep learning models. </p> <p>This thesis proposes Empirical Mode Decomposition (EMD) to extract non-linear and non-stationary characteristics of PD voice. To assist with automatic feature extraction, a Minimum Spline Enveloping technique was proposed to provide better enveloping on extremely dynamic PD speech. An introduction of PD voice characteristics, analyses of PD voice, and discriminative ability of Intrinsic Mode Functions (IMFs) in downgraded toll-quality voice were provided to establish the basis of the study. A basic set of EMD features was proposed to represent the phonatory characteristic of the sustained vowel produced by PD patients. These features were tested on the large unlabelled mPower corpus using clustering as unsupervised learning. A set of EMD dyadic features was proposed to represent the articulatory features and tested on /pa-ta-ka/ utterance from the PC-GITA database.</p> <p>Segmentation strategies were also compared to see the efficacy of the dyadic features on /pa-ta-ka/ and was found that the standard voice-onset-time and onset-time segmentation does not work well using EMD. Comparing fixed frame size and /pa-ta-ka/ triad segmentations, /pa-ta-ka/ triad outperformed fixed frame size. Using /pa-ta-ka/ utterances, the EMD dyadic feature alone was able to achieve 78% accuracy, which is 8% higher than using a combination of hand-crafted and basic EMD features on sustained /a/ and various diadochokinesia (DDK) utterances. Extension studies on EMD using deep neural networks to approximate the EMD filter-bank to parallelize the sifting process and the possibility of using EMD for motor analysis have been investigated.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».