FenixEdu™

Dissertação

{en_GB=Speech as a biomarker for sleep disorders and sleep deprivation} {} EVALUATED

Detalhes: {pt=Os distúrbios do sono, nomeadamente privação de sono e apneia obstrutiva do sono (OSA), têm uma prevalência crescente na população e são responsáveis por uma diminuição da qualidade de vida e por uma mortalidade e morbilidade elevadas, associadas a hipertensão, doenças cardiovasculares e acidentes de trânsito e de trabalho. Esta dissertação visa a deteção automática de sonolência e de OSA, através da análise de fala. Para tal, identificaram-se os atributos da fala mais relevantes para cada objetivo, e compararam-se vários métodos de aprendizagem automática para classificação binária. Os melhores resultados para a deteção de sonolência (taxa de verdadeiros positivos (TPR) de 91% e taxa de verdadeiros negativos (TNR) de 75%) foram obtidos com o conjunto de atributos eGeMAPS seguido de uma seleção de atributos utilizando o algoritmo Random Forest e classificação com bootstrap aggreggation de SVMs, para indivíduos do género masculino. Estes resultados foram obtidos com o corpus disponibilizado para o INTERSPEECH 2011 Speaker State Challenge. Os melhores resultados para a deteção de OSA (TPR de 88% e TNR de 80%) foram obtidos com um conjunto de atributos selecionados com base na literatura e uma fusão de SVM, LDA e kNN. Estes resultados foram obtidos com um corpus que incluí 25 pacientes com OSA e 20 controlos. Os resultados foram validados com dados recolhidos do youtube. Os dados recolhidos permitiram observar que os distúrbios do sono têm um impacto negativo na memória de trabalho., en=Sleep disturbances, e.g, sleep deprivation and obstructive sleep apnea (OSA), have an increasing prevalence and are responsible for a decrease of people's quality of life, and significant morbidity and mortality associated with hypertension, cardiovascular diseases, work and traffic accidents. This M.Sc Thesis addresses the automatic detection, through voice analysis, of sleepiness and obstructive sleep apnea. For this, we identify the most relevant acoustic features extracted from speech records for each task and compare different machine learning algorithms to perform the binary classification. Our best results for sleepiness detection (true positive rate (TPR) of 91% and true positive rate (TNR) of 75%) were achieved with the eGeMAPS feature set, after dimensionality reduction with a Random Forest feature selection, with a bootstrap aggregation of SVM, for male speakers. These results were achieved with the corpus made available for the INTERSPEECH 2011 speaker state challenge. Our best results for OSA detection (TPR of 88% and TNR of 80%) were achieved with a feature set we selected based on the literature and an ensemble of SVM, LDA and kNN with majority vote. These results were achieved in a corpus we collected, with 25 subjects suffering from OSA and 20 control subjects. Since this corpus is small, we validated our results with data acquired from youtube. The recording protocol design of our corpus allowed us to observe that sleep disorders have a negative impact on the subjects’ working memory.}
Keywords: {pt=Sonolência, Apneia Obstrutiva do Sono, Fala, Aprendizagem Automática, Memória de Trabalho, en=Sleepiness, Obstructive Sleep Apnea, Speech, Machine Learning, Working Memory}

Discussão: novembro 13, 2018, 10:0