2015
Assessing progress of Parkinson's disease using acoustic analysis of phonation
MEKYSKA, J., Z. GALAZ, Z. MZOUREK, Z. SMÉKAL, Irena REKTOROVÁ et. al.Základní údaje
Originální název
Assessing progress of Parkinson's disease using acoustic analysis of phonation
Autoři
MEKYSKA, J. (203 Česká republika), Z. GALAZ (203 Česká republika), Z. MZOUREK (203 Česká republika), Z. SMÉKAL (203 Česká republika), Irena REKTOROVÁ (203 Česká republika, garant, domácí), Ilona ELIÁŠOVÁ (203 Česká republika, domácí), Milena KOŠŤÁLOVÁ (203 Česká republika, domácí), Martina MRAČKOVÁ (203 Česká republika, domácí), Dagmar BERÁNKOVÁ (203 Česká republika, domácí), M. FAUNDEZ-ZANUY (724 Španělsko), K. LÓPEZ-DE- IPINA (724 Španělsko) a Jesus B. ALONSO-HERNANDEZ (724 Španělsko)
Vydání
neuveden, 4th International Work Conference on Bio-Inspired Intelligence, IWOBI 2015, od s. 111-118, 8 s. 2015
Nakladatel
Institute of Electrical and Electronics Engineers Inc.
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
30000 3. Medical and Health Sciences
Stát vydavatele
Španělsko
Utajení
není předmětem státního či obchodního tajemství
Forma vydání
tištěná verze "print"
Odkazy
Kód RIV
RIV/00216224:14740/15:00085829
Organizační jednotka
Středoevropský technologický institut
ISBN
978-1-4799-6174-0
Klíčová slova anglicky
Biodiversity; Conservation; Decision trees; Intelligent systems; Neurodegenerative diseases; Patient rehabilitation; Speech Acoustic analysis;
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 11. 1. 2016 11:58, Martina Prášilová
Anotace
V originále
This paper deals with a complex acoustic analysis of phonation in patients with Parkinson's disease (PD) with a special focus on estimation of disease progress that is described by 7 different clinical scales (e. g. Unified Parkinson's disease rating scale or Beck depression inventory). The analysis is based on parametrization of 5 Czech vowels pronounced by 84 PD patients. Using classification and regression trees we estimated all clinical scores with maximal error lower or equal to 13 %. Best estimation was observed in the case of Mini-mental state examination (MAE = 0.77, estimation error 5.50 %). Finally, we proposed a binary classification based on random forests that is able to identify Parkinson's disease with sensitivity SEN = 92.86% (SPE = 85.71 %). The parametrization process was based on extraction of 107 speech features quantifying different clinical signs of hypokinetic dysarthria present in PD
Návaznosti
ED1.1.00/02.0068, projekt VaV |
| |
NT13499, projekt VaV |
|