KR20210050107A - 파킨슨병 진단용 애플리케이션 - Google Patents

파킨슨병 진단용 애플리케이션 Download PDF

Info

Publication number
KR20210050107A
KR20210050107A KR1020190134295A KR20190134295A KR20210050107A KR 20210050107 A KR20210050107 A KR 20210050107A KR 1020190134295 A KR1020190134295 A KR 1020190134295A KR 20190134295 A KR20190134295 A KR 20190134295A KR 20210050107 A KR20210050107 A KR 20210050107A
Authority
KR
South Korea
Prior art keywords
voice
parkinson
disease
kalman filter
diagnosis
Prior art date
Application number
KR1020190134295A
Other languages
English (en)
Other versions
KR102399118B1 (ko
Inventor
전승준
Original Assignee
주식회사 인포쉐어
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 주식회사 인포쉐어 filed Critical 주식회사 인포쉐어
Priority to KR1020190134295A priority Critical patent/KR102399118B1/ko
Priority to PCT/KR2020/014568 priority patent/WO2021085947A1/en
Publication of KR20210050107A publication Critical patent/KR20210050107A/ko
Application granted granted Critical
Publication of KR102399118B1 publication Critical patent/KR102399118B1/ko

Links

Images

Classifications

    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Neurosurgery (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Developmental Disabilities (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 파킨슨병 진단용 애플리케이션에 관한 것으로, 스마트단말로 입력되는 음성의 주파수 변환을 통해 평균, 편차, 주파수 변화량(F0 변화량), 음성대비 소음비율(HNR), 음성강도(Intensity), 목소리의 떨림(Jitter), 음성의 일렁임(Shimmer)과 같은 음성 특징을 추출하고, 추출된 음성의 특징을 이용하여 스마트단말에 설치된 애플리케이션을 통해 파킨슨병 진단 데이터를 기반으로 음성인식 측정기법을 화자독립, 발음형태, 어휘수로 더욱 세분화 및 켑스트럼(Cepstrum)을 통하여 녹음시 유입되는 잡음을 제거한 상태에서 파킨슨병을 진단할 수 있도록 한 것을 특징으로 하며, 스마트단말에 설치된 어플리케이션을 통해 축적된 유저들의 파킨슨병 진단결과의 데이터를 기반으로 파킨슨병 환자의 발화 문장의 음성분석 및 특징을 추출하고, 추출된 특징에서 전형적 특징유형 8가지를 칼만필터를 이용하여 추출하여 파킨슨병을 진단함으로서 정확한 파킨슨병의 진단이 이루어지는 효과가 있다.

Description

파킨슨병 진단용 애플리케이션{Parkinson's disease diagnostic application}
본 발명은 파킨슨병 진단용 애플리케이션에 관한 것으로, 더욱 상세하게는 파킨슨병 환자의 발화 문장의 음성분석 및 특징을 추출하고, 추출된 특징을 이용하여 파킨슨병의 유무를 판단할 수 있도록 하는 파킨슨병 진단용 애플리케이션에 관한 것이다.
파킨슨병은 퇴행성 뇌질환으로, 주 증상으로는 안정시 떨림(resting tremor), 운동 느림증(brady kinesia), 톱니바퀴식 경직(cogwheel rigidity), 자세 불안정(postural reflexes)가 있다. 대체적으로, 이러한 증상중 2가지 이상의 증상과 병리적 소견이 나타나면 특발성 파킨슨병으로 진단이 내려지게 된다. 이러한 신체적 임상소견은 뇌신경 전달물질인 도파민의 생성이 80% 이상 손상되어야 나타나므로, 초기에 파킨슨병을 감별하는 것은 매우 어렵다. 또한, 이러한 파킨슨병에 따른 신체적 특징을 정상적인 노화 현상과 구분하는 것도 쉽지 않다.
지금까지는 파킨슨병을 진단할 수 있는 실용적이고 객관적인 검사도구가 없었기 때문에, 파킨슨병에 대한 의학적 진단이 일반적인 임상소견을 근거로 내려진다. 이에 따라, 신경과 전문의들사이에서도 진단차이가 발생하고, 다른 과의 전문의들사이에서도 파킨슨병과 정상적인 노화현상을 구별하지 못하는 경우가 있다. 환자와 그 가족들은 정확한 진단을 받기 위하여, 여러 기판(한의원, 정형외과, 재활의학과, 등)을 거치는 경우가 자주 발생하였으며, 이로 인해 경제적, 정신적 고통을 받게 되었다.
우리나라의 경우, 환자의 84%가 2개 의료기간에서 오진을 경험한 것으로 나타났으며, 발병후 파킨슨병으로 확진을 받기까지 무려 5년이나 소용되는 경우가 환자의 17%에 달할 정도로 개인적, 사회적 손실이 크다고 할 수 있다.
파킨슨병 환자들의 70%이상이 말(speech) 문제를 겪고 있는 것으로 알려져 있는데, 이는 파킨슨병일 가능성이 있는 환자들이 말하는 방식 (발화 방식)이나, 환자가 말한 문장(발화 문장)에 의해 파킨슨병의 유무를 간접적으로 파악할 수도 있음을 의미하는 것이다. 구체적으로, 환자 발화 문장의 음성학적 운율 분석을 통해 이러한 예측이 가능하다.
말은 분절음과 운율로 구성되어 있는데, 우리말의 경우 분절음은 보통 한글의 자모음 기호로 표현되는 발화단위이며, 운율은 이러한 분절음을 엮어 음파형태의 물리적 소리를 낼 수 있도록 해주는 아주 중요한 음악적 요소를 가리킨다. 주로 음도 (음의 높낮이), 강도 (음의 세기) 및 길이 (음의 길이)로 구성되어 있다.
파킨슨 환자의 경우, 분절음 측면에서는 정상인과 두드러진 차이를 보이지 않는 반면에, 운율측면에서는 특징적이고, 일관된 패턴을 보이는 경우가 대부분이다. 그러므로, 환자의 발화문자의 운율적 특성을 분석하고, 이를 파킨슨병의 진단예측을 사용할 수 있다.
기존의 음성분석 방법들은, 예를 들어 Kay 사 또는 Tiger 사의 음성분석 프로그램 사용 제품은 음성의 음질(voice qualilty) 분석만을 주로 수행하는 것으로, 문장 전체의 운율적 측면을 분석하는 것이 불가능하였다.
음성의 음질 분석만으로 파킨슨병을 정확하게 예측하는 것은 어렵다. 이는 환자의 발화 문장의 운율적 요소들을 통합적으로 관찰하고 분석하여야만 보다 정확한 진단 예측이 가능하기 때문이다.
보다 중요한 것은 기존의 분석 도구들이 주로 외국 기업가들이 외국인들을 상대로 한 연구에 바탕을 두고 있기 때문에, 우리나라 환자에게 직접적으로 적용하기에는 적절하지 못한 경우가 많다는 것이다. 따라서, 우리나라의 파킨슨병 환자들을 대상으로 수행한 연구 결과를 바탕으로 하는 진단 예측 도구에 대한 개발이 절실히 요구되고 있다.
상기와 같은 문제점을 해결하기 위한 선행문헌으로 대한민국 특허등록공보 제10-1182069호의 '발화문장의 운율분석을 통한 특발성 파킨슨병 진단장치 및 진단방법'은 파킨슨병의 유무를 진단받고자 하는 환자에 의해 발화된 문장을 녹음하는 녹음부; 미리 구축된 진단예측모델을 저장하는 저장부; 상기 녹음부에 녹음된 발화된 문장을 분석하는 분석부; 상기 저장부에 저장된 진단예측모델을 이용하여 상기 분석부에 의해 분석된 결과로부터 상기 환자의 파킨슨병유무를 진단하는 진단부; 및 상기 녹음부, 저장부, 분석부 및 진단부를 각각 제어하는 제어부를 포함하는 파킨슨병의 진단장치에 있어서, 상기 진단예측모델은; 상기 환자에 의해 발화될 상기 문장을 미리 지정하고, 파킨슨병에 대해 확진을 받은 환자들로 구성된 환자군 및 정상인들로 구성된 통제군이 발화한 진단용 문장을 녹음하고, 녹음된 발화된 문장의 운율을 분석하며, 운율 분석결과를 이용하여 다변량 통계분석 및 자동기계학습 알고리즘을 통해 구축하는 것을 특징으로 한다.
상기 선행문헌은 진단 예측에 관련된 일련의 과정들이 비침습적이므로 환자에게는 고통을 전혀 주지 않으며, 또한 이동이 불편한 환자의 경우에도, 녹음기를 통해 녹음할 수 있으므로 진단과정이 편리한 이점이 있다. 또한 휴대용 디지털 녹음기의 경우 일반인들도 용이하게 취급할 수 있으므로, 전문가의 동반없이 환자 가족들이 조용한 방에서 직접 녹음을 수행할 수도 있어 사용상 편리함을 가는 효과가 있다.
그러나, 상기의 선행문헌은 녹음시 주변의 잡음이 함께 유입되어 정확한 파킨슨병의 진단이 이려운 문제점으로 인하여 파킨슨병 진단에 따른 에러율이 높은 문제점을 가지고 있다.
대한민국 특허등록공보 제10-1182069호
상기한 문제점을 해결하기 위하여 본 발명은 스마트단말에 설치된 어플리케이션을 통해 축적된 유저들의 파킨슨병 진단결과의 데이터를 기반으로 음성인식 측정기법을 화자독립(話者獨立) 발음형태, 어휘수로 더욱 세분화 및 켑스트럼(Cepstrum)을 통하여 녹음시 유입되는 잡음을 제거한 상태에서 파킨슨병을 진단할 수 있도록 한 파킨슨병 진단용 애플리케이션을 제공하는데 목적이 있다.
본 발명은 상기한 목적을 달성하기 위한 수단으로,
스마트단말로 입력되는 음성의 주파수 변환을 통해 평균, 편차, 주파수 변화량(F0 변화량), 음성대비 소음비율(HNR), 음성강도(Intensity), 목소리의 떨림(Jitter), 음성의 일렁임(Shimmer)과 같은 음성 특징을 추출하고, 추출된 음성의 특징을 이용하여 스마트단말에 설치된 애플리케이션을 통해 파킨슨병 진단 데이터를 기반으로 음성인식 측정기법을 화자독립, 발음형태, 어휘수로 더욱 세분화 및 켑스트럼(Cepstrum)을 통하여 녹음시 유입되는 잡음을 제거한 상태에서 파킨슨병을 진단할 수 있도록 한 것을 특징으로 하는 파킨슨병 진단용 애플리케이션을 제공한다.
본 발명의 애플리케이션은, 모델생성부, 칼만필터(Kalman Filter), 결정이론부, 결합유형생성부, 예측생성부를 포함하며, 모델생성부는 파킨슨병의 진단을 하고자 하는 사용자가 스마트단말에 설치된 애플리케이션을 통해 음성의 저장 및 저장된 음성을 통해 칼만필터에 응답하는 음성과 칼만필터에 응답하지 못하는 음성으로 구분하며, 칼만필터는 사용자의 파킨슨병을 진단할 수 있도록 모델생성부에서 분류되어 칼만필터에 응답하는 음성에 따른 음성데이터의 측정값(
Figure pat00001
)을 입력받아 예측, 칼만 이득 계산, 추정값계산을 통해 추정값(
Figure pat00002
)을 출력하고, 결정이론부는 칼만필터에 의해서 생성된 잔여치(Residual)를 바탕으로 확률적인 결정이론(Decision Theory)을 적용하여 파킨슨병의 발생을 검출하고, 결합유형생성부는 같은 유형의 음성데이터에 대한 분석이 빠르게 이루어지도록 칼만필터에서 생성한 데이터에 따른 음성데이터를 유형별로 스마트단말에 결합하여 저장하며, 예측생성부는 칼만필터에서 분석한 음성데이터를 기준으로 파킨슨병 환자의 경우 음성을 낼 때 그 강도를 제어하는 근육의 약화로 떨림이 발생하고 값이 발단(threshold)값 이상으로 증가, 파킨슨병 환자의 저음 발생시 음성의 베이(bais)현상, 음성의 출력 값에 갑작스런 스파이크(spike)의 발생, 음성의 강도의 갑작스러운 감쇄, 음성 떨림의 급격한 증가, 음성의 노이즈가 급격히 증가하면서 패턴의 형성, 음성의 음도가 서서히 떨어지는 경우 및 음성의 출력이 비선형적으로 변이되는 경우에 대하여 파킨슨병을 예측하는 것을 특징으로 한다.
본 발명의 칼만필터는 파킨슨병 환자의 경우 음성을 낼 때 그 강도를 제어하는 근육의 약화로 떨림이 발생하고 값이 한계점(threshold)값 이상으로 증가되어 하드오버(Hard over)에러가 발생하는 비정상적 음성 특징을 판단한다.
본 발명의 칼만필터는, 파킨슨병 환자의 경우 음성을 낼 때 저음 발생시 음성이 bais 되어 bais에러가 발생하는 비정상적 음성 특징을 판단한다.
본 발명의 칼만필터는, 파킨슨병 환자의 경우 음성을 낼 때 음성의 출력 값에 갑작스런 스파이크(Spike)가 발생되는 비정상적 음성 특징을 판단한다.
본 발명의 칼만필터는, 파킨슨병 환자의 경우 음성을 낼 때 음성의 강도가 갑작스럽게 감쇄되는 현상이 발생되는 비정상적 음성 특징을 판단한다.
본 발명의 칼만필터는, 파킨슨병 환자의 경우 음성을 낼 때 음성의 떨림이 급격히 증가되는 현상에 의해 비정상적 음성 특징을 판단한다.
본 발명의 칼만필터는, 파킨슨병 환자의 경우 음성을 낼 때 음성의 노이즈가 급격히 증가하고, 급격히 증가한 노이가 일정한 패턴을 가지는 현상이 발생되는 비정상적 음성 특징을 판단한다.
본 발명의 칼만필터는, 파킨슨병 환자의 경우 음성을 낼 때 음성의 음도가 서서히 떨어지는 현상 즉, 음도가 지속적으로 감소하는 비정상적 음성 특징을 판단한다.
본 발명의 칼만필터는, 파킨슨병 환자의 경우 음성을 낼 때 음성의 출력이 비선형적으로 변이되는 현상 즉, 음도가 서서히 떨어지다가 음도가 다시 서서히 올라가는 비정상적 음성 특징을 판단한다.
본 발명은 스마트단말에 설치된 어플리케이션을 통해 축적된 유저들의 파킨슨병 진단결과의 데이터를 기반으로 음성인식 측정기법을 화자독립, 발음형태, 어휘수로 더욱 세분화 및 켑스트럼(Cepstrum)을 통하여 녹음시 유입되는 잡음을 제거한 상태에서 파킨슨병을 진단하므로 정확한 파킨슨병의 진단이 이루어지는 효과가 있다.
또한, 본 발명은 스마트단말에 설치된 어플리케이션을 통해 축적된 유저들의 파킨슨병 진단결과의 데이터를 기반으로 파킨슨병 환자의 발화 문장의 음성분석 및 특징을 추출하고, 추출된 특징에서 전형적 특징유형 8가지를 칼만필터를 이용하여 추출하여 파킨슨병을 진단함으로서 정확한 파킨슨병의 진단이 이루어지는 효과가 있다.
도 1은 본 발명의 파킨슨병 진단용 애플리케이션을 통해 파킨슨병의 예측과정을 나탄내 블록다이어그램이고,
도 2는 도 1에 도시된 칼만필터의 알고리즘을 나타낸 도면이며,
도 3은 본 발명의 파킨슨병 진단용 애플리케이션을 이용하여 파킨슨병을 진단시작 상태를 나타낸 도면이고,
도 4는 본 발명의 파킨슨병 진단용 애플리케이션으로 입력되는 음성의 상태를 나타낸 도면이며,
도 5는 본 발명의 파킨슨병 진단용 애플리케이션을 통해 음성 진단이 성공적으로 이루어진 상태를 나타낸 도면이고,
도 6은 본 발명의 파킨슨병 진단용 애플리케이션을 통해 음성 진단이 실패한 상태를 나타낸 도면이며,
도 7은 본 발명의 파킨슨병 진단용 애플리케이션을 통해 음성 진단 결과를 나타낸 도면이다.
이하, 본 발명에 의한 파킨슨병 진단용 애플리케이션을 첨부된 도면을 통해 상세하게 설명한다.
본 발명의 파킨슨병 진단용 애플리케이션은 파킨슨병 환자의 경우 병의 진행에 따라 근육 위축에 의해 음성의 떨림이 커지고 음성의 강도가 약해지며 발성의 지속시간이 적어진다는 특징을 이용하여 스마트단말로 입력되는 음성의 주파수 변환을 통해 평균, 편차, 주파수 변화량(F0 변화량), 음성대비 소음비율(HNR), 음성강도(Intensity),목소리의 떨림(Jitter), 음성의 일렁임(Shimmer)등 음성 특징을 추출하고, 추출된 음성의 특징을 이용하여 스마트단말에 설치된 애플리케이션을 통해 파킨슨병 진단 데이터를 기반으로 음성인식 측정기법을 화자독립, 발음형태, 어휘수로 더욱 세분화 및 켑스트럼(Cepstrum)을 통하여 녹음시 유입되는 잡음을 제거한 상태에서 파킨슨병을 진단할 수 있도록 한 것을 특징으로 한다.
상기와 같은 특징으로 이뤄지는 본 발명의 파킨슨병 진단용 애플리케이션을 첨부된 도면을 통해 더욱 상세하게 설명한다.
도 1은 본 발명의 파킨슨병 진단용 애플리케이션을 통해 파킨슨병의 예측과정을 나탄내 블록다이어그램이고, 도 2는 도 1에 도시된 칼만필터의 알고리즘을 나타낸 도면이다.
도 1 및 2를 참조하여 상세하게 설명하면, 본 발명의 파킨슨병 진단용 애플리케이션은 크게 모델생성부(10), 칼만필터(20), 결정이론부(30), 결합유형생성부(40), 예측생성부(50)를 포함한다.
상기 모델생성부(10)는 파킨슨병의 진단을 하고자 하는 사용자가 스마트단말에 설치된 애플리케이션을 통해 음성을 저장하고, 저장된 음성을 통해 칼만필터(20)에 응답하는 음성과 칼만필터(20)에 응답하지 못하는 음성으로 구분한다.
상기 칼만필터(20)는 사용자의 파킨슨병을 진단할 수 있도록 모델생성부(10)에서 분류되어 칼만필터(20)에 응답하는 음성에 따른 음성데이터의 측정값(
Figure pat00003
)을 입력받아 추정값 예측, 칼만 이득 계산, 추정값계산을 통해 추정값(
Figure pat00004
)을 출력한다.
상기 칼만필터(20)는 측정값(
Figure pat00005
)을 입력받아 추정값(
Figure pat00006
)을 출력하며 다수의 단계에 거쳐 이루어진다.
첫 번째 단계는 예측 단계이다. 2~4번 단계에서 계속 사용되는 두 변수,
Figure pat00007
와
Figure pat00008
를 계산한다.
두 번째 단계에서는 칼만 이득(
Figure pat00009
)을 계산하고, 변수
Figure pat00010
는 1번째 단계에서 계산한 값을 사용하며 H 와 R 은 미리 결정하는 값을 대입하여 사용한다.
세 번째 단계에는 입력된 측정값으로 추정 값을 계산한다. 그리고 변수
Figure pat00011
는 첫 번째 단계에서 계산된 값을 사용한다.
네번째 단계에서는 입력된 측정값으로 오차 공분산을 계산한다. 그리고 변수는
Figure pat00012
를 계산한다.
앞에서 설명된 변수 및 수식을 표로 설명하면 다음과 같다.
외부 입력 측정값(
Figure pat00013
)
최종 출력 추정값(
Figure pat00014
)
모델
Figure pat00015
계산용
Figure pat00016
,
Figure pat00017
,
Figure pat00018
,
Figure pat00019
예측 과정에서 사용되는 모델 변수는
Figure pat00020
와
Figure pat00021
이고, 추정과정에서 사용하는 모델 변수는 H 와 R 이다.이를 바탕으로 모델링할 수 있다.
Figure pat00022
Figure pat00023
그리고
Figure pat00024
이다.
Figure pat00025
는 상태변수에 영향을 주는 노이즈를 말하고,
Figure pat00026
는 센서에서 측정되는 노이즈를 말한다.
상기 칼만필터에서는 첫 번째 단계와 세번째 단계를 통해 추정값의 예측 및 계산이 이루어지고, 상기 추정값 예측은 다음과 같이 나타낼 수 있다.
Figure pat00027
Figure pat00028
상기 칼만필터에서 세 번째 단계에 있는 추정 값의 계산은 다음과 같이 나타낼 수 있다.
Figure pat00029
상기의 수식을 통해 노이즈는 다음에 어떤 값이 나올지 예측할 수 없고 통계적인 추정만 가능한 값을 의미한다. 이러한 방법을 통해 칼만필터(20)는 상태 모델의 노이즈를 다음과 같은 공분산 행렬로 표현할 수 있다.
Figure pat00030
상기 공분산 행렬은 변수의 분산으로 구성된 행렬로 각 노이즈의 분산은
Figure pat00031
이라 가정하면 측정 노이즈
Figure pat00032
의 공분산 행렬
Figure pat00033
도 같은 방법으로 구성할 수 있으며 다음과 같다.
Figure pat00034
행렬
Figure pat00035
을 보면 칼만이득 계산식을 적용할 수 있다.
Figure pat00036
수학식 7에서 모든 변수가 스칼라라고 가정하면 역행렬은 나누기와 같게 된다. 따라서 식(3-25)을 다음과 같이 나타낼 수 있다.
Figure pat00037
상기 수학식 8에서
Figure pat00038
이 커지면 칼만이득은 작아진다. 하지만 칼만이득이 작아지면 추정값은 다음과 같이 나타낼 수 있다.
Figure pat00039
상기 칼만이득이 작아지면 추정값 계산에 측정값이 반영되는 비율이 작아진다. 반면 예측값의 반영비율은 높아진다. 즉 외부 측정값의 영향을 덜 받게 되어 추정값의 변화가 줄어든다. 따라서, 측정값의 영향을 덜 받고 변화가 완만한 추정값을 얻기 위해 행렬
Figure pat00040
값을 키운다. 이때 오차 공분산 예측값은 하기의 수학식 10과 같이 계산된다.
Figure pat00041
상기 수학식 10에서
Figure pat00042
가 커지면 오차 공분산 예측값도 커지게 된다.
상기와 같은 과정을 통해 추정값 예측, 칼만 이득 계산, 추정값의 계산이 이루어진다.
상기 결정이론부(30)는 칼만필터(Kalman Filter)에 의해서 생성된 잔여치(Residual)를 바탕으로 확률적인 결정이론(Decision Theory)을 적용하여 파킨슨병의 발생을 검출한다
상기 파킨슨병의 발생을 검출하는 순서는 기본적으로 4가지 단계로 구성된다.
1: 음성 신호 입력(Happening)
2: 음성 신호의 매커니즘에 의한 관측자(Observer)와의 연관
3: 잡음(Noise)과 함께 관측
4: 관측자(Observer)는 고장발생과 연관된 원인을 결정(Decision)하게 된다.
상기의 매커니즘을 구체적으로 표현하기 위해서 4가지 Space 개념을 도입하여 일이 발생하면 M(Massage Space)에서 어떤 사건이 발생하였다는 것을 표현할 수 있고 S(Signaling mechanism)에 의해서 M(Message Space)로 이동되어 Z(Observation Space)를 거쳐 마지막으로 D(Decision estimation rule mechanism)의 4가지 Space를 도 3에 도시된 바와 같이 보여준다.(M : Message Space, S : Signal Space, Z : Observation Space, D : Decision Space)
상기와 같이 결정이론(Decision Theory)을 적용한 과정을 통해 파킨슨병의 발생을 검출한다.
상기 결합유형생성부(40)는 같은 유형의 음성데이터에 대한 분석이 빠르게 이루어지도록 칼만필터(20)에서 생성한 데이터에 따른 음성데이터를 유형별로 스마트단말에 결합하여 저장한다.
상기 예측생성부(50)는 칼만필터(20)에서 분석한 음성데이터를 기준으로 파킨슨병 환자의 경우 음성을 낼 때 그 강도를 제어하는 근육의 약화로 떨림이 발생하고 값이 발단(threshold)값 이상으로 증가, 파킨슨병 환자의 저음 발생시 음성의 베이(bais)현상, 음성의 출력 값에 갑작스런 스파이크(spike)의 발생, 음성의 강도의 갑작스러운 감쇄, 음성 떨림의 급격한 증가, 음성의 노이즈가 급격히 증가하면서 패턴의 형성, 음성의 음도가 서서히 떨어지는 경우 및 음성의 출력이 비선형적으로 변이되는 경우에 대하여 파킨슨병을 예측한다.
상기와 같이 구성되는 본 발명의 파킨슨병 진단용 애플리케이션은 칼만 필터로 음성의 변화를 예측하고, 이 예측값에서 비정상적으로 변화가 발생 할 경우 파킨슨병이라고 판단한다. 다음에 보일 유형은 파킨슨병 환자에게서 자주 나타나는 비정상적 음성 특징을 나타낸다.
도 4는 파킨슨병 환자의 경우 음성을 낼 때 그 강도를 제어하는 근육의 약화로 떨림이 발생하고 값이 한계점(threshold)값 이상으로 증가되어 하드오버(Hard over)에러가 발생하여 비정상적 음성 특징을 나타낸다.
도 5는 파킨슨병 환자의 경우 음성을 낼 때 저음 발생시 음성이 bais 되는 경우이며, 이러한 경우에도 비정상적 음성 특징을 나타낸다.
도 6은 파킨슨병 환자의 경우 음성을 낼 때 음성의 출력 값에 갑작스런 스파이크(Spike)가 발생되는 현상이 발생되고, 이러한 경우에도 비정상적 음성 특징을 나타낸다.
도 7은 파킨슨병 환자의 경우 음성을 낼 때 음성의 강도가 갑작스럽게 감쇄되는 현상이 발생되고, 이러한 경우에도 비정상적 음성 특징을 나타낸다.
도 8은 파킨슨병 환자의 경우 음성을 낼 때 음성의 떨림이 급격히 증가되는 현상이 발생되며, 이러한 경우에도 비정상적 음성 특징을 나타낸다.
도 9는 파킨슨병 환자의 경우 음성을 낼 때 음성의 노이즈가 급격히 증가하고, 급격히 증가한 노이가 일정한 패턴을 가지는 현상이 발생되며, 이러한 경우에도 비정상적 음성 특징을 나타낸다.
도 10은 파킨슨병 환자의 경우 음성을 낼 때 음성의 음도가 서서히 떨어지는 현상 즉, 음도가 지속적으로 감소하는 비정상적 음성 특징을 나타낸다.
도 11은 파킨슨병 환자의 경우 음성을 낼 때 음성의 출력이 비선형적으로 변이되는 현상 즉, 음도가 서서히 떨어지다가 음도가 다시 서서히 올라가는 비정상적 음성 특징을 나타낸다.
상기 신호의 전형적 특징유형 8가지는 파킨슨병 진단을 위한 음성 특징 유형을 판단하고, 이러한 유형을 애플리케이션을 통해 분석하여 파킨슨병의 진단이 이루어진다.
상기와 같이 구성되는 본 발명의 파킨슨병 진단용 애플리케이션을 이용하여 파킨슨병을 예측하는 과정을 설명한다.
환자의 파킨슨병을 진단하기 위하여 스마트단말에 설치된 애플리케이션의 UI를 누르면 도 12에 도시된 바와 같이 진단페이지가 표시된다.
상기 스마트단말에 표시된 진단페이지에서 검진 시작 버튼을 누르고 /아/ 발음을 하되 낮은 음에서 높은 음으로 연속적으로 발음하되 0.8 db 이상의 음성을 트리거(trigger)로 진단이 시작된다.
상기와 같이 스마트단말을 통해 입력되는 음성은 스마트단말의 화면(또는 viewer)를 통해 실시간으로 도 13에 도시된 바와 같이 디스플레이(display)되며, 약 10초 후 진단 100%가 이루어지면, 도 14에 도시된 바와 같이 화면이 초기화되면서 진단이 성공적으로 이루어졌다는 진단 성공 메시지가 표시된다.
반대로 음성이 진단 할 수 없을 만큼 작거나 가용 측정 데이터의 수가 기준보다 작아 측정이 어려운 경우에는 도 15에 도시된 바와 같이 "다시 측정하세요"라는 메시지가 표시된다.
상기와 같이 진단이 성공적으로 이루어졌다면, 화면을 통해 결과가 표시되며, 상기의 결과는 스마트단말의 화면에 파킨슨병 환자의 편균치와 비교를 통해 디스플레이 된다.
도 16에 도시된 바와 같이, 각 꼭지점은 파킨슨병환자와 일반인의 유의미한 차이를 보이는 음성 특징변수이다. 각 특징과의 비교에서 한 개라도 해당하면 병원 진단을 추천하는 메시지가 출력된다.
상기에서 설명한 바와 같이 스마트단말에 설치된 어플리케이션을 통해 축적된 유저들의 파킨슨병 진단결과의 데이터를 기반으로 음성인식 측정기법을 화자독립, 발음형태, 어휘수로 더욱 세분화 및 켑스트럼(Cepstrum)을 통하여 녹음시 유입되는 잡음을 제거한 상태에서 파킨슨병을 진단하므로 정확한 파킨슨병의 진단이 이루어진다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
10: 모델생성부
20: 칼만필터
30: 결정이론부
40: 결합유형생성부
50: 예측생성부

Claims (10)

  1. 스마트단말로 입력되는 음성의 주파수 변환을 통해 평균, 편차, 주파수 변화량(F0 변화량), 음성대비 소음비율(HNR), 음성강도(Intensity), 목소리의 떨림(Jitter), 음성의 일렁임(Shimmer)과 같은 음성 특징을 추출하고, 추출된 음성의 특징을 이용하여 스마트단말에 설치된 애플리케이션을 통해 파킨슨병 진단 데이터를 기반으로 음성인식 측정기법을 화자독립, 발음형태, 어휘수로 더욱 세분화 및 켑스트럼(Cepstrum)을 통하여 녹음시 유입되는 잡음을 제거한 상태에서 파킨슨병을 진단할 수 있도록 한 것을 특징으로 하는 파킨슨병 진단용 애플리케이션.
  2. 제1항에 있어서,
    상기 애플리케이션은,
    모델생성부(10), 칼만필터(Kalman Filter)(20), 결정이론부(30), 결합유형생성부(40), 예측생성부(50)를 포함하며,
    모델생성부(10)는 파킨슨병의 진단을 하고자 하는 사용자가 스마트단말에 설치된 애플리케이션을 통해 음성의 저장 및 저장된 음성을 통해 칼만필터(20)에 응답하는 음성과 칼만필터(20)에 응답하지 못하는 음성으로 구분하며,
    칼만필터(20)는 사용자의 파킨슨병을 진단할 수 있도록 모델생성부(10)에서 분류되어 칼만필터(20)에 응답하는 음성에 따른 음성데이터의 측정값(
    Figure pat00043
    )을 입력받아 예측, 칼만 이득 계산, 추정값계산을 통해 추정값(
    Figure pat00044
    )을 출력하고,
    결정이론부(30)는 칼만필터에 의해서 생성된 잔여치(Residual)를 바탕으로 확률적인 결정이론(Decision Theory)을 적용하여 파킨슨병의 발생을 검출하고,
    결합유형생성부(40)는 같은 유형의 음성데이터에 대한 분석이 빠르게 이루어지도록 칼만필터(20)에서 생성한 데이터에 따른 음성데이터를 유형별로 스마트단말에 결합하여 저장하며,
    예측생성부(50)는 칼만필터(20)에서 분석한 음성데이터를 기준으로 파킨슨병 환자의 경우 음성을 낼 때 그 강도를 제어하는 근육의 약화로 떨림이 발생하고 값이 발단(threshold)값 이상으로 증가, 파킨슨병 환자의 저음 발생시 음성의 베이(bais)현상, 음성의 출력 값에 갑작스런 스파이크(spike)의 발생, 음성의 강도의 갑작스러운 감쇄, 음성 떨림의 급격한 증가, 음성의 노이즈가 급격히 증가하면서 패턴의 형성, 음성의 음도가 서서히 떨어지는 경우 및 음성의 출력이 비선형적으로 변이되는 경우에 대하여 파킨슨병을 예측하는 것을 특징으로 하는 파킨슨병 진단용 애플리케이션.
  3. 제2항에 있어서,
    상기 칼만필터(20)는
    파킨슨병 환자의 경우 음성을 낼 때 그 강도를 제어하는 근육의 약화로 떨림이 발생하고 값이 한계점(threshold)값 이상으로 증가되어 하드오버(Hard over)에러가 발생하는 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
  4. 제2항에 있어서,
    상기 칼만필터(20)는,
    파킨슨병 환자의 경우 음성을 낼 때 저음 발생시 음성이 bais 되어 bais에러가 발생하는 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
  5. 제2항에 있어서,
    상기 칼만필터(20)는,
    파킨슨병 환자의 경우 음성을 낼 때 음성의 출력 값에 갑작스런 스파이크(Spike)가 발생되는 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
  6. 제2항에 있어서,
    상기 칼만필터(20)는,
    파킨슨병 환자의 경우 음성을 낼 때 음성의 강도가 갑작스럽게 감쇄되는 현상이 발생되는 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
  7. 제2항에 있어서,
    상기 칼만필터(20)는,
    파킨슨병 환자의 경우 음성을 낼 때 음성의 떨림이 급격히 증가되는 현상에 의해 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
  8. 제2항에 있어서,
    상기 칼만필터(20)는,
    파킨슨병 환자의 경우 음성을 낼 때 음성의 노이즈가 급격히 증가하고, 급격히 증가한 노이가 일정한 패턴을 가지는 현상이 발생되는 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
  9. 제2항에 있어서,
    상기 칼만필터(20)는,
    파킨슨병 환자의 경우 음성을 낼 때 음성의 음도가 서서히 떨어지는 현상 즉, 음도가 지속적으로 감소하는 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
  10. 상기 칼만필터(20)는,
    파킨슨병 환자의 경우 음성을 낼 때 음성의 출력이 비선형적으로 변이되는 현상 즉, 음도가 서서히 떨어지다가 음도가 다시 서서히 올라가는 비정상적 음성 특징을 판단하는 파킨슨병 진단용 애플리케이션.
KR1020190134295A 2019-10-28 2019-10-28 파킨슨병을 진단하는 애플리케이션이 설치되는 스마트단말 KR102399118B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190134295A KR102399118B1 (ko) 2019-10-28 2019-10-28 파킨슨병을 진단하는 애플리케이션이 설치되는 스마트단말
PCT/KR2020/014568 WO2021085947A1 (en) 2019-10-28 2020-10-23 Parkinson's disease diagnostic application

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190134295A KR102399118B1 (ko) 2019-10-28 2019-10-28 파킨슨병을 진단하는 애플리케이션이 설치되는 스마트단말

Publications (2)

Publication Number Publication Date
KR20210050107A true KR20210050107A (ko) 2021-05-07
KR102399118B1 KR102399118B1 (ko) 2022-05-17

Family

ID=75716018

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190134295A KR102399118B1 (ko) 2019-10-28 2019-10-28 파킨슨병을 진단하는 애플리케이션이 설치되는 스마트단말

Country Status (2)

Country Link
KR (1) KR102399118B1 (ko)
WO (1) WO2021085947A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230123786A (ko) 2022-02-17 2023-08-24 충남대학교산학협력단 섬유기반 스트레인 센서가 적용된 파킨슨병 진단장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113855570B (zh) * 2021-09-30 2023-07-14 平安科技（深圳）有限公司 帕金森病服药提醒方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR200245838Y1 (ko) * 2001-06-23 2001-10-31 박인표 음성인식을 이용한 전화통화내용 메모 시스템
KR101182069B1 (ko) 2011-09-14 2012-09-11 영남대학교 산학협력단 발화문장의 운율분석을 통한 특발성 파킨슨병 진단장치 및 진단방법
KR20190000194A (ko) * 2017-06-22 2019-01-02 연세대학교 산학협력단 신경계 질환 관리를 위한 시스템 및 방법
KR20190113390A (ko) * 2018-03-28 2019-10-08 (주)오상헬스케어 호흡 질환 진단 장치 및 호흡 질환 모니터링 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030029308A (ko) * 2001-10-06 2003-04-14 정용석 음성분석을 이용한 건강진단 시스템 및 그 방법
KR20170045798A (ko) * 2015-10-20 2017-04-28 김인태 스마트폰을 이용한 목소리 질환 조기진단 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR200245838Y1 (ko) * 2001-06-23 2001-10-31 박인표 음성인식을 이용한 전화통화내용 메모 시스템
KR101182069B1 (ko) 2011-09-14 2012-09-11 영남대학교 산학협력단 발화문장의 운율분석을 통한 특발성 파킨슨병 진단장치 및 진단방법
KR20190000194A (ko) * 2017-06-22 2019-01-02 연세대학교 산학협력단 신경계 질환 관리를 위한 시스템 및 방법
KR20190113390A (ko) * 2018-03-28 2019-10-08 (주)오상헬스케어 호흡 질환 진단 장치 및 호흡 질환 모니터링 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230123786A (ko) 2022-02-17 2023-08-24 충남대학교산학협력단 섬유기반 스트레인 센서가 적용된 파킨슨병 진단장치

Also Published As

Publication number Publication date
WO2021085947A1 (en) 2021-05-06
KR102399118B1 (ko) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111315302B (zh) 认知功能评估装置、认知功能评估系统、认知功能评估方法及程序记录介质
TWI665657B (zh) 認知功能評估裝置、認知功能評估系統、認知功能評估方法及記錄媒體
Ngo et al. Computerized analysis of speech and voice for Parkinson's disease: A systematic review
KR101182069B1 (ko) 발화문장의 운율분석을 통한 특발성 파킨슨병 진단장치 및 진단방법
Lien et al. Effects of phonetic context on relative fundamental frequency
JP2007004001A (ja) オペレータ応対能力診断装置、オペレータ応対能力診断プログラム、プログラム格納媒体
Jeancolas et al. Automatic detection of early stages of Parkinson's disease through acoustic voice analysis with mel-frequency cepstral coefficients
US10789966B2 (en) Method for evaluating a quality of voice onset of a speaker
CN110958859B (zh) 认知能力评估装置、认知能力评估系统、认知能力评估方法及存储介质
JP4587854B2 (ja) 感情解析装置、感情解析プログラム、プログラム格納媒体
KR102399118B1 (ko) 파킨슨병을 진단하는 애플리케이션이 설치되는 스마트단말
Labuschagne et al. The perception of breathiness: Acoustic correlates and the influence of methodological factors
Cordeiro et al. Spectral envelope first peak and periodic component in pathological voices: A spectral analysis
Schultz et al. A tutorial review on clinical acoustic markers in speech science
Kim et al. Combination of Multiple Speech Dimensions for Automatic Assessment of Dysarthric Speech Intelligibility.
US20210219893A1 (en) System and method for measurement of vocal biomarkers of vitality and biological aging
WO2021132289A1 (ja) 病態解析システム、病態解析装置、病態解析方法、及び病態解析プログラム
JP7296595B2 (ja) 認知機能評価装置、認知機能評価システム、認知機能評価方法、及び、プログラム
Schultz et al. Disease Delineation for Multiple Sclerosis, Friedreich Ataxia, and Healthy Controls Using Supervised Machine Learning on Speech Acoustics
함현선 Automatic classification of major depressive disorder using the optimal speech feature combination
Kochanski et al. Testing the ecological validity of repetitive speech
Narasimhan et al. A study on formant frequencies under different conditions and its effects on forensic speaker identification
Hecker Computer-Based Methods for Forensic Speaker Recognition
Meyer Improving automatic speech recognition by learning from human errors

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant