Dissertação
Explaining Parkinson’s Disease Computational Diagnostic based on Speech Analysis EVALUATED
Este estudo incluiu dois objectivos. Primeiro, analisar o desempenho de um modelo independente de língua para o diagnóstico de PD. Foram utilizados três datasets de línguas diferentes. Uma abordagem de base (com um modelo treinado e testado com discurso na mesma língua) alcançou uma precisão máxima de 90%. Foi também executado um passo intermédio, onde um modelo foi treinado com discurso numa língua e parte de um dataset numa língua diferente e testado com a restante parte do segundo dataset. O desempenho deste modelo semi-independente da língua foi semelhante ao desempenho da abordagem de base. Em seguida, o modelo independente da língua foi treinado, atingindo uma accuracy máxima de 67% e um valor de recall de 76%. Enquanto a accuracy do nosso modelo é menor do que o estado da arte (77%), a recall é superior ao melhor trabalho anterior (53%). Em segundo lugar, o modelo LIME foi utilizado para explicar cada diagnóstico produzido pelo classificador. O relatório inclui a probabilidade do sujeito pertencer a cada classe e as cinco características com a maior contribuição para a classificação. Para cada característica são fornecidos o valor médio, a gama de valores de um indivíduo saudável, a sua contribuição para a classificação, e uma descrição. Estas informações permitem ao médico compreender a classificação do modelo, proporcionando assim uma maior confiança no mesmo. Uma avaliação da contribuição global de cada característica concluiu que tanto os MFCC como PLP fornecem aos modelos informações mais relevantes quando comparados com F0, HNR, jitter e shimmer.
novembro 26, 2021, 16:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Associado