Robust Classification of Parkinson’s Speech: an Approximation to a Scenario with Non-Controlled Acoustic Conditions

RESUMEN: Varios estudios han demostrado que la enfermedad de Parkinson (PD) puede detectarse a partir de señales del habla. Sin embargo, la mayoría de ellos se centran en el habla limpia grabada bajo entornos de ruido controlados y equipos estandarizados, lo que puede limitar su facilidad de acceso y aplicación en escenarios realistas. En este estudio analizamos el rendimiento de los modelos de detección de PD con una versión modificada del eliminador de ruido ORCA-CLEAN. El denoiser se entrenó en habla humana para limpiar señales patológicas ruidosas antes de la fase de clasificación. clasificación. Se exploraron las señales residuales para determinar si el proceso de eliminación de ruido y el ruido no deseado y preservaba las características esenciales del habla relacionadas con la enfermedad para la detección de la PD. Los experimentos se realizaron con grabaciones de la base de datos PC-GITA junto con réplicas creadas añadiendo distintos niveles de ruido artificial. Los resultados demuestran una notable solidez en la precisión de la clasificación a pesar de los altos niveles de ruido añadido. Estos resultados sugieren que la integración de técnicas de eliminación de ruido en el proceso de clasificación de DP puede conducir a resultados fiables y precisos incluso en entornos no ideales. Estos resultados buscan el desarrollo de una tecnología más accesible con aplicación en escenarios del mundo real.

• Autores: López Santander, Diego Alexander; Ríos Urrego, Cristian David; Orozco Arroyave, Juan Rafael; Bergler, Christian; Nöth, Elmar
• Tipo de recurso: http://purl.org/coar/resource_type/c_5794
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: eng
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/44079
• Acceso en línea: https://hdl.handle.net/10495/44079
• Palabra clave: Habla; Speech; Enfermedad de Parkinson; Parkinson Disease; https://id.nlm.nih.gov/mesh/D013060; https://id.nlm.nih.gov/mesh/D010300
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/