Çin Bilimler Akademisi’ne bağlı Hefei Fiziksel Bilimler Enstitüleri Sağlık ve Medikal Teknoloji Enstitüsü’nden Prof. Li Hai liderliğindeki araştırma ekibi, konuşma yoluyla nörolojik hastalıkları yüksek doğrulukla tespit eden yeni bir derin öğrenme modeli geliştirdi.
Prof. Li Hai, “Konuşma şeklimizdeki küçük değişiklikler, sadece bir dil sürçmesi olmayabilir; beyin tarafından gönderilen bir erken uyarı işareti olabilir. Modelimiz, Parkinson, Huntington ve Wilson hastalığı gibi nörolojik hastalıkların erken belirtilerini ses kayıtlarından tespit edebiliyor,” dedi.
Araştırma, Neurocomputing dergisinde yayımlandı.
KONUŞMA BOZUKLUKLARI ERKEN TANIDA KRİTİK ROL OYNUYOR
Disartri, yani konuşma bozukluğu, birçok nörolojik hastalığın erken belirtilerinden biridir. Bu tür konuşma anormallikleri, altta yatan nörodejeneratif süreçleri yansıttığı için, ses sinyalleri invazif olmayan biyobelirteçler olarak önem kazanıyor.
Otomatik konuşma analizi, hem yüksek verimlilik sağlıyor hem de düşük maliyetli ve invazif olmayan bir yöntem sunuyor. Ancak mevcut teknikler, genellikle elle tasarlanmış özelliklere bağımlı ve zamanla değişen etkileşimleri modellemede sınırlı kalıyor.
CTCAIT: ÇOK BOYUTLU ZAMAN SERİSİ ANALİZİNDE YENİLİK
Araştırma ekibi, bu sorunları aşmak için Çapraz Zaman ve Çapraz Eksen Etkileşimli Dönüştürücü (CTCAIT) adlı yeni bir model geliştirdi. Model, büyük ölçekli bir ses modeli ile konuşmadan yüksek boyutlu özellikler çıkarıyor ve Inception Time ağı ile çok ölçekli zaman serisi desenlerini yakalıyor.
CTCAIT, çapraz zaman ve çapraz kanal çoklu başlık dikkat mekanizmaları sayesinde, farklı boyutlarda gömülü patolojik konuşma imzalarını etkili bir şekilde tespit ediyor.
YÜKSEK DOĞRULUK VE ÇAPRAZ DİL GENELLENEBİLİRLİĞİ
Model, Mandarin veri setinde %92,06, İngilizce veri setinde %87,73 doğruluk oranı elde ederek dil bağımsız bir performans gösterdi. Bu sonuç, modelin farklı dillerde de uygulanabilir olduğunu ortaya koyuyor.
Araştırma ekibi, modelin karar süreçlerini yorumlayarak farklı konuşma görevlerinin etkinliğini sistematik biçimde inceledi. Bu analizler, yöntemin erken tanı ve sürekli izleme amaçlı klinik uygulamalara uyarlanmasında yol gösterici nitelikte.