Analýza poruch řeči u osob s rizikem rozvoje onemocnění s Lewyho tělísky

Abstract

Nemoci spadající do rodiny onemocnění s Lewyho tělísky (jedny z nejčastěji se vyskytujících neurodegenerativních poruch) mají shodný patologický základ, ale jednotliví zástupci se liší ve svých klinických projevech. Různá onemocnění více či méně postihují mentální nebo fyzickou stránku pacienta. Tato práce předpokládá, že díky akustické analýze řeči je možné od sebe jednotlivá onemocnění odlišit, protože v mluvě pacientů se specifickými způsoby odráží poruchy kognitivní i motorické stránky člověka. Práce si klade za cíl popsat klinické rysy hlavních zástupců onemocnění s Lewyho tělísky, prozkoumat jejich dopad na řeč, navrhnout charakterizující akustické parametry a následně porovnat jejich diskriminační sílu. Jako vstupní data pro navržený algoritmus jsou použity řečové nahrávky z databází CoBeNa preLBD. Pro následné vyhodnocení slouží deskriptivní statistiky, Mann-Whitneyho U test, FDR korekce a model strojového učení XGBoost s využitím stratifikované křížové validace a vyvážené přesnosti. Výsledkem jsou skripty pro automatizovaný výpočet řečových parametrů z databáze a jejich vyhodnocení. Výstupy analýzy dokazují, že vybraná onemocnění od sebe a od zdravé kontroly lze skutečně rozeznat na základě projevů v řeči, a to již v prodromálních stádiích.

Lewy bodies diseases (one of the most common neurodegenerative disorders) have the same pathological basis, but the individual representatives differ in their clinical manifestations. Different diseases affect the mental or physical side of the patient to a greater or lesser extent. This work assumes that thanks to the acoustic analysis of speech, it is possible to distinguish individual diseases from one another, because the disorders of the cognitive and motor aspects of a patient reflect in speech in specific ways. The thesis aims to describe the clinical features of the main representatives of the Lewy bodies diseases, to investigate their impact on speech, to propose characterizing acoustic parameters and then to compare their discriminative power. Speech recordings from the CoBeN and preLBD databases are used as input data for the proposed algorithm. Descriptive statistics, Mann-Whitney U test, FDR correction and XGBoost machine learning model using stratified cross-validation and balanced accuracy are used for subsequent evaluation. The result are scripts for the automated calculation of speech parameters from the database and their evaluation. The results of the analysis prove that the selected diseases can really be distinguished from each other and from a healthy control based on the manifestations in speech, already in the prodromal stages.