Original title:
Vztah mezi echogenitou černé substance a poruchami řeči a hlasu
Translated title:
The relationship between substantia nigra echogenicity and speech and voice disorders
Authors:
Adamkovičová, Lenka ; Novotný, Kryštof (referee) ; Mekyska, Jiří (advisor) Document type: Master’s theses
Year:
2024
Language:
slo Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[slo][eng]
Transkraniálna sonografia je rýchle, jednoduché a neinvazívne vyšetrenie umožňujúce zachytiť úbytok čiernej mozgovej hmoty. Tento úbytok je spojený s rozvojom ochorení s Lewyho telieskami, a súvislosť medzi úbytkom čiernej hmoty a rozvojom demencie s Lewyho telieskami by umožnil presnejšiu diagnostiku ochorenia. Táto diplomová práca má teda za cieľ preskúmať úspešnosti automatizovanej klasifikácie osôb pomocou modelu strojového učenia, a to podľa určenej diagnózy a tiež podľa veľkosti nálezu z TCS vyšetrenia. Automatizovanou akustickou analýzou boli vypočítané akustické parametre, ktoré boli štatisticky spracované a následne použité na trénovanie modelu strojového učenia. V porovnaní binárnej klasifikácie určených scenárov bolo zistené, že model stratifikovaný podľa veľkosti TCS nálezu dosiahol nižšie úspešnosti než model rozdelený na zdravé kontroly a osoby s demenciou s Lewyho telieskami v skorom štádiu. Tiež nebola potvrdená korelácia medzi veľkosťou nálezu hyperechogenity a závažnosťou ochorenia DLB.
Transcranial sonography is a quick, simple and noninvasive examination method that allows to capture the loss of Substantia nigra in the brain. This loss is associated with the development of Lewy body disorders, and a confirmed correlation between Substantia nigra loss and development of dementia with Lewy bodies would allow for more accurate diagnosis of the disease. This thesis aims to investigate the accuracy of automated classification of individuals using a machine learning model, both according to their diagnosis of early DLB and also according to the size of Substantia nigra loss based on TCS examination. Automated acoustic analysis was applied to calculate speech and language parameters, those were statistically processed and then used to train a machine learning model. In a comparison of two binary classification problems it was found, that the model stratified by the size of Substantia nigra loss achieved lower accuracy than the model stratified by a diagnosis to healthy controls and persons with early-stage dementia with Lewy bodies. In addition, no correlation between SN hyperechogenicity and severity of DLB was confirmed.
Keywords:
acoustic analysis; dementia with Lewy Bodies; hypokinetic dysarthria; Lewy body disorders; machine learning; Substantia nigra hyperechogenicity; transcranial sonography
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: https://hdl.handle.net/11012/246017