Original title: Detekce dyslexie z čteného projevu dítěte
Translated title: Detection of dyslexia from child's read speech
Authors: Martinec, Richard ; Plchot, Oldřich (referee) ; Szőke, Igor (advisor)
Document type: Bachelor's theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Tato práce se zabývá detekcí dyslexie z mluveného projevu užitím strojového učení. Nahrávky projevů byly zpracovány modelem HuBERT, jehož výstup byl dále zpracován mnohočetnými způsoby pro získání vhodných reprezentací nahrávek ke klasifikaci. Metodou podpůrných vektorů (SVM) bylo natrénováno několik modelů za účelem určení nejvhodnější reprezentace nahrávek pro detekci dyslexie. Nejvyšší úspěšnost klasifikace, které bylo dosaženo, činila 96,2 %; pro podrobnější ověření správnosti zvolené metodologie byly provedeny další experimenty. Některé experimenty ukázaly přítomnost biasu v datasetu, který zkresloval úspěšnost modelů, z jiných testů nicméně vzešlo, že model klasifikuje i na základě příznaků dyslexie, nikoliv pouze biasu. Z výsledků vyplývá, že zvolená metodologie by mohla být přínosná při diagnostice dyslexie v praxi. This thesis focuses on classifying dyslexia from read speech using machine learning. A HuBERT speech model was used to extract features from the speech recordings. Features were processed using various methods and multiple support vector machine (SVM) models were trained on the features to determine which feature layers are best for dyslexia detection, if any. A maximum detection accuracy of 96.2% was achieved; various other experiments were carried out to further validate the chosen approach. Some experiments revealed the presence of a dataset bias, skewing the accuracy; different experiments have suggested that dyslexia traits are still being considered during the classification. The results suggest that this approach (or similar approaches) could aid in child dyslexia diagnosis in the real world.
Keywords: dyslexie; HuBERT; klasifikace dyslexie; metoda podpůrných vektorů; strojové učení; vnoření zvuku; řečové features; řečové vady; audio embedding; dyslexia; dyslexia classification; HuBERT; machine learning; speech disorders; speech features; support vector machines

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/258725

Permalink: http://www.nusl.cz/ntk/nusl-777502


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses