DE202022103064U1 - Machine learning implemented device to detect the disease through speech-based language processing - Google Patents

Machine learning implemented device to detect the disease through speech-based language processing Download PDF

Info

Publication number
DE202022103064U1
DE202022103064U1 DE202022103064.2U DE202022103064U DE202022103064U1 DE 202022103064 U1 DE202022103064 U1 DE 202022103064U1 DE 202022103064 U DE202022103064 U DE 202022103064U DE 202022103064 U1 DE202022103064 U1 DE 202022103064U1
Authority
DE
Germany
Prior art keywords
speech
disease
semantics
unit
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
DE202022103064.2U
Other languages
German (de)
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to DE202022103064.2U priority Critical patent/DE202022103064U1/en
Publication of DE202022103064U1 publication Critical patent/DE202022103064U1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • A61B5/682—Mouth, e.g., oral cavity; tongue; Lips; Teeth
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding

Abstract

Eine durch maschinelles Lernen implementierte Vorrichtung zum Erkennen der Krankheit unter Verwendung von sprachbasierter Sprachverarbeitung, umfassend
eine Steuereinheit, die aus einer Speichereinheit, einer NLP-Einheit, einer semantischen Identifizierungseinheit besteht, um die Krankheit zu erkennen,
wobei die gesammelten Sprachdaten von Patienten, die ein Mikrofon verwenden, in der Speichereinheit gespeichert werden, dann extrahiert die NLP-Einheit die Semantik der gesamten Sprachdaten, wobei die Zeitintervalle T1, T2 ... Tn der Sprachsemantik verglichen werden, wobei wenn die Semantik mit den Zeitintervallen T1, T2...Tn abgewichen ist, dann empfiehlt der MLDASP, dass der Patient die Alzheimer-Krankheit mit Prozentsatz haben kann.A device implemented by machine learning for detecting the disease using speech-based language processing, comprising
a control unit consisting of a storage unit, an NLP unit, a semantic identification unit to recognize the disease,
wherein the collected speech data from patients using a microphone is stored in the storage unit, then the NLP unit extracts the semantics of the whole speech data, comparing the time intervals T1, T2...Tn of the speech semantics, where if the semantics with deviated from the time intervals T1, T2...Tn, then the MLDASP recommends that the patient may have Alzheimer's disease with percentage.

Description

Technisches Gebiet der Erfindung:Technical field of the invention:

Die vorliegende Erfindung betrifft im Allgemeinen Computertechnik und insbesondere eine durch maschinelles Lernen implementierte Vorrichtung zum Erkennen der Krankheit unter Verwendung von sprachbasierter Sprachverarbeitung.The present invention relates generally to computing, and more particularly to a machine learning implemented apparatus for detecting the disease using speech-based language processing.

Hintergrund der Erfindung:Background of the invention:

Die nachstehenden Hintergrundinformationen beziehen sich auf die vorliegende Offenbarung, sind aber nicht notwendigerweise Stand der Technik.The following background information relates to the present disclosure but is not necessarily prior art.

US8938390B2 offenbart ein Verfahren zum Erkennen von Autismus in einer natürlichen Sprachumgebung unter Verwendung eines Mikrofons, eines Tonaufzeichnungsgeräts und eines Computers, der mit Software für den speziellen Zweck der Verarbeitung von Aufzeichnungen programmiert ist, die von der Kombination aus Mikrofon und Tonaufzeichnungsgerät erfasst werden, wobei der Computer zur Ausführung des Verfahrens programmiert ist Segmentieren eines von der Kombination aus Mikrofon und Tonaufzeichnungsgerät aufgenommenen Audiosignals unter Verwendung des für den Spezialzweck programmierten Computers in eine Vielzahl von Aufzeichnungssegmenten. Das Verfahren umfasst ferner das Bestimmen, welches der Vielzahl von Aufzeichnungssegmenten einem Schlüsselkind entspricht. Das Verfahren umfasst ferner das Bestimmen, welche der Vielzahl von Aufzeichnungssegmenten, die dem Schlüsselkind entsprechen, als Schlüsselkindaufzeichnungen klassifiziert werden. Zusätzlich umfasst das Verfahren das Extrahieren von telefonbasierten Merkmalen der Schlüsselkindaufzeichnungen; Vergleichen der telefonbasierten Merkmale der wichtigsten Kinderaufzeichnungen mit bekannten telefonbasierten Merkmalen für Kinder; und Bestimmen einer Wahrscheinlichkeit von Autismus basierend auf dem Vergleichen US8938390B2 discloses a method for detecting autism in a natural language environment using a microphone, an audio recorder and a computer programmed with software for the specific purpose of processing recordings captured by the combination microphone and audio recorder, the computer programmed to carry out the method segmenting an audio signal picked up by the combination microphone and sound recorder into a plurality of recording segments using the computer programmed for the special purpose. The method further includes determining which of the plurality of recording segments corresponds to a latchkey. The method further includes determining which of the plurality of recording segments corresponding to the latchkey child are classified as latchkey recordings. Additionally, the method includes extracting phone-based features of the latchkey records; Comparing the phone-based characteristics of the main children's records with known children's phone-based characteristics; and determining a likelihood of autism based on the comparing

US20180018985A1 offenbart ein System und ein Verfahren zum Analysieren von Audiodaten, die bereitgestellt werden. Die Audiodaten können analysiert werden, um sich wiederholende Sprache zu erkennen. Die Audiodaten können weiter analysiert werden, um Eigenschaften der detektierten sich wiederholenden Sprache zu bestimmen. Beispielsweise kann bestimmt werden, dass eine sich wiederholende Sprache von einem bestimmten Sprecher, wie beispielsweise einem Träger eines tragbaren Audiosensors, produziert wurde. Rückmeldungen und Berichte können basierend auf der erkannten sich wiederholenden Sprache bereitgestellt werden. US20180018985A1 discloses a system and method for analyzing audio data that is provided. The audio data can be analyzed to detect repetitive speech. The audio data can be further analyzed to determine characteristics of the detected repetitive speech. For example, it may be determined that repetitive speech was produced by a particular speaker, such as a wearer of a wearable audio sensor. Feedback and reports can be provided based on the detected repetitive speech.

US20150112232A1 offenbart ein Verfahren und ein System zum Beurteilen eines Zustands in einem Subjekt. Ein Beispiel für einen Zustand ist eine schwere depressive Störung (MDD). Das Verfahren umfasst das Messen mindestens einer sprachbezogenen Variablen in einem Subjekt; Extrahieren einer Kanalverzögerungs-Korrelationsstruktur der mindestens einen sprachbezogenen Variablen; und Generieren einer Bewertung eines Zustands des Subjekts basierend auf der Korrelationsstruktur der mindestens einen sprachbezogenen Variablen. US20150112232A1 discloses a method and system for assessing a condition in a subject. An example of a condition is major depressive disorder (MDD). The method includes measuring at least one language-related variable in a subject; extracting a channel delay correlation structure of the at least one speech-related variable; and generating a score of a condition of the subject based on the correlation structure of the at least one language-related variable.

US9576593B2 Es werden Techniken zum Berechnen einer oder mehrerer Punktzahlen der verbalen Gewandtheit für eine Person beschrieben. Ein beispielhaftes Verfahren umfasst das Klassifizieren von Abtastungen von Audiodaten der Sprache einer Person durch ein Computergerät auf der Grundlage von Amplituden der Abtastungen in eine erste Klasse von Abtastungen, die Sprache oder Ton enthält, und eine zweite Klasse von Abtastungen, die Stille enthält. Das Verfahren umfasst ferner das Analysieren der ersten Klasse von Proben, um eine Anzahl von Wörtern zu bestimmen, die von der Person gesprochen werden, und das Berechnen einer Bewertung der verbalen Gewandtheit für die Person basierend zumindest teilweise auf der bestimmten Anzahl von Wörtern, die von der Person gesprochen werden. US9576593B2 Techniques are described for calculating one or more verbal fluency scores for an individual. An exemplary method includes classifying, by a computing device, samples of audio data of a person's speech based on amplitudes of the samples into a first class of samples containing speech or sound and a second class of samples containing silence. The method further includes analyzing the first class of samples to determine a number of words spoken by the person and calculating a verbal fluency score for the person based at least in part on the determined number of words spoken by be spoken to the person.

Gegenstand der Erfindungsubject of the invention

Ein Ziel der vorliegenden Erfindung ist es, maschinell lernende und IoT-fähige intelligente Luftreiniger zum Prüfen der Qualität und Reinigen der Luft bereitzustellen.An aim of the present invention is to provide machine-learning and IoT-enabled smart air purifiers to check the quality and purify the air.

Diese und andere Aufgaben und Eigenschaften der vorliegenden Erfindung werden aus der weiteren Offenbarung ersichtlich, die in der unten gegebenen detaillierten Beschreibung zu machen ist.These and other objects and features of the present invention will become apparent from the further disclosure to be made in the detailed description given below.

Zusammenfassung der Erfindung:Summary of the invention:

Dementsprechend stellt die folgende Erfindung eine durch maschinelles Lernen implementierte Vorrichtung bereit, um die Krankheit unter Verwendung von sprachbasierter Sprachverarbeitung zu erkennen.Accordingly, the present invention provides an apparatus implemented by machine learning to detect disease using speech-based language processing.

Detaillierte Beschreibung der Erfindung:Detailed description of the invention:

Die Erfindung kann jedoch in vielen verschiedenen Formen verkörpert werden und sollte nicht als auf die hierin dargelegten Ausführungsformen beschränkt angesehen werden; vielmehr werden diese Ausführungsformen bereitgestellt, damit diese Erfindung gründlich und vollständig ist und ihren Umfang Fachleuten vollständig vermittelt.The invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein; rather, these embodiments are provided so that this invention will be thorough and complete, and will fully convey the scope of this invention to those skilled in the art.

Die vorliegende Erfindung betrifft eine durch maschinelles Lernen implementierte Vorrichtung zum Erkennen der Krankheit unter Verwendung von sprachbasierter Sprachverarbeitung.The present invention relates to a machine learning implemented apparatus for detecting the disease using speech-based language processing.

Die vorgeschlagene Erfindung hilft dem Arzt/Patienten, die Erfindung zu nutzen, um vorherzusagen, ob der Patient eine Krankheit in der Zukunft hat oder haben wird, indem automatisch auf maschinellem Lernen basierende IoT-Geräte verwendet werden.The proposed invention helps the doctor/patient to use the invention to predict whether the patient has or will have a disease in the future by automatically using machine learning based IoT devices.

Ein IoT-Gerät wird in der Nähe des Mundes eines Patienten befestigt. Das IoT-Gerät, eine Art drahtloses Mikrofon, sammelt regelmäßig die Sprachdaten des Patienten und überträgt sie an die Steuereinheit.An IoT device is attached near a patient's mouth. The IoT device, a kind of wireless microphone, periodically collects the patient's speech data and transmits it to the control unit.

Hierin besteht die Steuereinheit aus einer Speichereinheit, einer NLP-Einheit, einer semantischen Identifikationseinheit, um eine Krankheit unter Verwendung einer sprachbasierten Sprachverarbeitung des Patienten zu erkennen. Die gesammelten Sprachdaten von Patienten, die ein Mikrofon verwenden, werden in der Speichereinheit gespeichert. Dann extrahiert die NLP-Einheit die Semantik der gesamten Sprachdaten. Dann werden die Zeitintervalle T1, T2 ... Tn der Sprachsemantik verglichen. Wenn die Semantik mit den Zeitintervallen T1, T2...Tn abgewichen ist, dann empfiehlt der MLDASP, dass der Patient die Alzheimer-Krankheit mit Prozentsatz haben kann.Herein, the control unit consists of a storage unit, an NLP unit, a semantic identification unit to recognize a disease using speech-based speech processing of the patient. The collected speech data from patients using a microphone is stored in the storage unit. Then the NLP engine extracts the semantics of the entire speech data. Then the time intervals T1, T2 ... Tn of the speech semantics are compared. If the semantics differed with the time intervals T1, T2...Tn, then the MLDASP recommends that the patient may have Alzheimer's disease with percentage.

Durch die Verwendung dieser vorliegenden Erfindung kann der Arzt/Patient die Erfindung nutzen, um vorherzusagen, ob der Patient Alzheimer hat oder möglicherweise in Zukunft haben wird, indem automatisch auf maschinellem Lernen basierende IoT-Geräte verwendet werden.By using this present invention, the physician/patient can use the invention to predict whether the patient has or may have Alzheimer's in the future by automatically using machine learning based IoT devices.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

  • US 8938390 B2 [0003]US8938390B2 [0003]
  • US 20180018985 A1 [0004]US20180018985A1 [0004]
  • US 20150112232 A1 [0005]US20150112232A1 [0005]
  • US 9576593 B2 [0006]US 9576593 B2 [0006]

Claims (1)

Eine durch maschinelles Lernen implementierte Vorrichtung zum Erkennen der Krankheit unter Verwendung von sprachbasierter Sprachverarbeitung, umfassend eine Steuereinheit, die aus einer Speichereinheit, einer NLP-Einheit, einer semantischen Identifizierungseinheit besteht, um die Krankheit zu erkennen, wobei die gesammelten Sprachdaten von Patienten, die ein Mikrofon verwenden, in der Speichereinheit gespeichert werden, dann extrahiert die NLP-Einheit die Semantik der gesamten Sprachdaten, wobei die Zeitintervalle T1, T2 ... Tn der Sprachsemantik verglichen werden, wobei wenn die Semantik mit den Zeitintervallen T1, T2...Tn abgewichen ist, dann empfiehlt der MLDASP, dass der Patient die Alzheimer-Krankheit mit Prozentsatz haben kann.A device implemented by machine learning for detecting the disease using speech-based language processing, comprising a control unit consisting of a storage unit, an NLP unit, a semantic identification unit to recognize the disease, wherein the collected speech data from patients using a microphone is stored in the storage unit, then the NLP unit extracts the semantics of the whole speech data, comparing the time intervals T1, T2...Tn of the speech semantics, where if the semantics with deviated from the time intervals T1, T2...Tn, then the MLDASP recommends that the patient may have Alzheimer's disease with percentage.
DE202022103064.2U 2022-05-31 2022-05-31 Machine learning implemented device to detect the disease through speech-based language processing Active DE202022103064U1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE202022103064.2U DE202022103064U1 (en) 2022-05-31 2022-05-31 Machine learning implemented device to detect the disease through speech-based language processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE202022103064.2U DE202022103064U1 (en) 2022-05-31 2022-05-31 Machine learning implemented device to detect the disease through speech-based language processing

Publications (1)

Publication Number Publication Date
DE202022103064U1 true DE202022103064U1 (en) 2022-06-23

Family

ID=82402578

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202022103064.2U Active DE202022103064U1 (en) 2022-05-31 2022-05-31 Machine learning implemented device to detect the disease through speech-based language processing

Country Status (1)

Country Link
DE (1) DE202022103064U1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8938390B2 (en) 2007-01-23 2015-01-20 Lena Foundation System and method for expressive language and developmental disorder assessment
US20150112232A1 (en) 2013-10-20 2015-04-23 Massachusetts Institute Of Technology Using correlation structure of speech dynamics to detect neurological changes
US9576593B2 (en) 2012-03-15 2017-02-21 Regents Of The University Of Minnesota Automated verbal fluency assessment
US20180018985A1 (en) 2016-07-16 2018-01-18 Ron Zass System and method for detecting repetitive speech

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8938390B2 (en) 2007-01-23 2015-01-20 Lena Foundation System and method for expressive language and developmental disorder assessment
US9576593B2 (en) 2012-03-15 2017-02-21 Regents Of The University Of Minnesota Automated verbal fluency assessment
US20150112232A1 (en) 2013-10-20 2015-04-23 Massachusetts Institute Of Technology Using correlation structure of speech dynamics to detect neurological changes
US20180018985A1 (en) 2016-07-16 2018-01-18 Ron Zass System and method for detecting repetitive speech

Similar Documents

Publication Publication Date Title
CN106725532B (en) Depression automatic evaluation system and method based on phonetic feature and machine learning
Shao et al. Predicting naming latencies for action pictures: Dutch norms
CN111145903A (en) Method and device for acquiring vertigo inquiry text, electronic equipment and inquiry system
Yin et al. Towards automatic cognitive load measurement from speech analysis
CN108646914A (en) A kind of multi-modal affection data collection method and device
Km et al. Comparison of multidimensional MFCC feature vectors for objective assessment of stuttered disfluencies
Warule et al. Significance of voiced and unvoiced speech segments for the detection of common cold
Balogh et al. The role of silence in verbal fluency tasks–a new approach for the detection of mild cognitive impairment
Selvakumari et al. A voice activity detector using SVM and Naïve Bayes classification algorithm
DE202022103064U1 (en) Machine learning implemented device to detect the disease through speech-based language processing
Gong et al. Towards an Automated Screening Tool for Developmental Speech and Language Impairments.
Shinkawa et al. Multimodal Behavior Analysis Towards Detecting Mild Cognitive Impairment: Preliminary Results on Gait and Speech.
McTear et al. Affective conversational interfaces
Marck et al. Identification, analysis and characterization of base units of bird vocal communication: The white spectacled bulbul (Pycnonotus xanthopygos) as a case study
Rheault et al. Multimodal techniques for the study of a ect in political videos
Teixeira et al. F0, LPC, and MFCC analysis for emotion recognition based on speech
Böck et al. Audio-based pre-classification for semi-automatic facial expression coding
Deshpande et al. Comparing manual and machine annotations of emotions in non-acted speech
Rodríguez-Hidalgo et al. The robustness of echoic log-surprise auditory saliency detection
Grill et al. Classification and Detection of Specific Language Impairments in Children Based on their Speech Skills
Xie et al. Image processing and classification procedure for the analysis of australian frog vocalisations
Alimuradov et al. Increasing detection efficiency of psycho-emotional disorders based on adaptive decomposition and cepstral analysis of speech signals
Pandey et al. Speech Signal Analysis Using Hybrid Feature Extraction Technique for Parkinson’s Disease Prediction
Tao et al. The relationship between speech features changes when you get depressed: Feature correlations for improving speed and performance of depression detection
Qu et al. Depression recognition in university students based on speech features in social learning environment

Legal Events

Date Code Title Description
R207 Utility model specification
R082 Change of representative

Representative=s name: LIPPERT STACHOW PATENTANWAELTE RECHTSANWAELTE , DE