Published January 1, 2018
| Version v1
Publication
Open
Phonological Posteriors and GRU Recurrent Units to Assess Speech Impairments of Patients with Parkinson's Disease
Creators
- 1. Universidad de Antioquia
- 2. Logitech (Switzerland)
- 3. Friedrich-Alexander-Universität Erlangen-Nürnberg
Description
Parkinson's disease is a neurodegenerative disorder characterized by a variety of motor symptoms, including several impairments in the speech production process. Recent studies show that deep learning models are highly accurate to assess the speech deficits of the patients; however most of the architectures consider static features computed from a complete utterance. Such an approach is not suitable to model the dynamics of the speech signal when the patients pronounce different sounds. Phonological features can be used to characterize the voice quality of the speech, which is highly impaired in patients suffering from Parkinson's disease. This study proposes a deep architecture based on recurrent neural networks with gated recurrent units combined with phonological posteriors to assess the speech deficits of Parkinson's patients. The aim is to model the time-dependence of consecutive phonological posteriors, which follow the sound patterns of English phonological model. The results show that the proposed approach is more accurate than a baseline based on standard acoustic features to assess the speech deficits of the patients.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
مرض باركنسون هو اضطراب تنكسي عصبي يتميز بمجموعة متنوعة من الأعراض الحركية، بما في ذلك العديد من الإعاقات في عملية إنتاج الكلام. تظهر الدراسات الحديثة أن نماذج التعلم العميق دقيقة للغاية لتقييم عجز الكلام لدى المرضى ؛ ومع ذلك، فإن معظم البنى تأخذ في الاعتبار الميزات الثابتة المحسوبة من الكلام الكامل. مثل هذا النهج غير مناسب لنمذجة ديناميكيات إشارة الكلام عندما ينطق المرضى أصواتًا مختلفة. يمكن استخدام السمات الصوتية لوصف جودة صوت الكلام، الذي يعاني من ضعف شديد في المرضى الذين يعانون من مرض باركنسون. تقترح هذه الدراسة بنية عميقة تعتمد على الشبكات العصبية المتكررة مع وحدات متكررة مسورة مقترنة بالخلفيات الصوتية لتقييم عجز الكلام لدى مرضى باركنسون. والهدف من ذلك هو نمذجة الاعتماد الزمني للخلفيات الصوتية المتتالية، والتي تتبع الأنماط الصوتية للنموذج الصوتي الإنجليزي. تظهر النتائج أن النهج المقترح أكثر دقة من خط الأساس بناءً على الميزات الصوتية القياسية لتقييم عجز الكلام لدى المرضى.Translated Description (French)
La maladie de Parkinson est une maladie neurodégénérative caractérisée par une variété de symptômes moteurs, y compris plusieurs déficiences dans le processus de production de la parole. Des études récentes montrent que les modèles d'apprentissage profond sont très précis pour évaluer les déficits de la parole des patients ; cependant, la plupart des architectures considèrent les caractéristiques statiques calculées à partir d'une énonciation complète. Une telle approche n'est pas adaptée pour modéliser la dynamique du signal de parole lorsque les patients prononcent des sons différents. Les caractéristiques phonologiques peuvent être utilisées pour caractériser la qualité vocale de la parole, qui est fortement altérée chez les patients atteints de la maladie de Parkinson. Cette étude propose une architecture profonde basée sur des réseaux de neurones récurrents avec des unités récurrentes déclenchées combinées à des postérieurs phonologiques pour évaluer les déficits de la parole des patients atteints de la maladie de Parkinson. L'objectif est de modéliser la dépendance temporelle des postérieurs phonologiques consécutifs, qui suivent les schémas sonores du modèle phonologique anglais. Les résultats montrent que l'approche proposée est plus précise qu'une ligne de base basée sur des caractéristiques acoustiques standard pour évaluer les déficits de la parole des patients.Translated Description (Spanish)
La enfermedad de Parkinson es un trastorno neurodegenerativo caracterizado por una variedad de síntomas motores, que incluyen varias deficiencias en el proceso de producción del habla. Estudios recientes muestran que los modelos de aprendizaje profundo son altamente precisos para evaluar los déficits del habla de los pacientes; sin embargo, la mayoría de las arquitecturas consideran características estáticas calculadas a partir de una expresión completa. Tal enfoque no es adecuado para modelar la dinámica de la señal del habla cuando los pacientes pronuncian diferentes sonidos. Las características fonológicas se pueden utilizar para caracterizar la calidad de la voz del habla, que está muy deteriorada en pacientes que padecen la enfermedad de Parkinson. Este estudio propone una arquitectura profunda basada en redes neuronales recurrentes con unidades recurrentes cerradas combinadas con posteriores fonológicas para evaluar los déficits del habla de los pacientes de Parkinson. El objetivo es modelar la dependencia temporal de posteriores fonológicos consecutivos, que siguen los patrones sonoros del modelo fonológico inglés. Los resultados muestran que el enfoque propuesto es más preciso que una línea de base basada en características acústicas estándar para evaluar los déficits del habla de los pacientes.Files
TSD_2018_phon_GRU%284%29.pdf.pdf
Files
(259.7 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:f40cd989217ca879bd16b5decb14b391
|
259.7 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- المؤثرات الصوتية ووحدات GRU المتكررة لتقييم ضعف النطق لدى المرضى الذين يعانون من مرض باركنسون
- Translated title (French)
- Postérieurs phonologiques et unités récurrentes GRU pour évaluer les troubles de la parole des patients atteints de la maladie de Parkinson
- Translated title (Spanish)
- Unidades fonológicas posteriores y recurrentes Gru para evaluar las alteraciones del habla de pacientes con enfermedad de Parkinson
Identifiers
- Other
- https://openalex.org/W2891973087
- DOI
- 10.1007/978-3-030-00794-2_49
References
- https://openalex.org/W1528721713
- https://openalex.org/W1986400202
- https://openalex.org/W2107878631
- https://openalex.org/W2112648950
- https://openalex.org/W2140978740
- https://openalex.org/W2157331557
- https://openalex.org/W2516310076
- https://openalex.org/W2614473557
- https://openalex.org/W2736024024
- https://openalex.org/W2746624190
- https://openalex.org/W2750570963
- https://openalex.org/W2919115771