ДИЗАРТЕРИЯНЫ ЕРТЕ АНЫҚТАУ ҮШІН КЛАССИКАЛЫҚ ЖӘНЕ ТЕРЕҢ ОҚЫТУ МОДЕЛЬДЕРІН САЛЫСТЫРМАЛЫ БАҒАЛАУ

Аңдатпа

Бұл мақалада дизартерияны автоматты түрде анықтау және оның деңгейін бағалау мақсатында машиналық оқыту  және терең оқыту әдістерін қолданудың ғылыми негіздері мен практикалық тиімділігі талданады. Дизартерия Паркинсон ауруы, ми қан айналымының бұзылуы, церебралдық сал ауруы және көптеген склероз сияқты неврологиялық патологиялардың кең таралған симптомы болып табылады, сөйлеудің артикуляциялық, просодиялық және резонанстық компоненттерінің бұзылуына әкеледі. Дәстүрлі клиникалық диагностика субъективтілігі мен уақыттық шығындарына байланысты, сөйлеуді автоматты өңдеу жүйелеріне сұраныс артып келеді. Зерттеу барысында UA-Speech және TORGO датасеттері қолданылып, RandomForest, XGBoost, LightGBM, SVM, LogisticRegression және MLPClassifier сияқты классикалық машиналық оқыту модельдері, сондай-ақ CNN архитектурасына негізделген терең оқыту тәсілдері салыстырылды. Модельдер GridSearchCV арқылы оңтайландырылып, деректердегі айқын имбаланс ADASYN әдісі және class weight тәсілімен өңделді. MFCC, Mel-спектограммалар және pitch сияқты негізгі акустикалық ерекшеліктер ерекшелік кеңістігін қалыптастыру үшін пайдаланылды. Алынған нәтижелер машиналық оқыту модельдерінің дизартерия белгілерін анықтауда жоғары дәлдікке қол жеткізе алатынын, ал CNN-мен біріктірілген гибридті тәсілдердің жалпы тиімділікті жақсартатынын көрсетті. Бұл зерттеу дизартерияны ерте диагностикалаудың автоматтандырылған жүйелерін әзірлеуге мүмкіндік беріп, клиникалық тәжірибеде қолдануға бағытталған технологиялардың дамуына негіз қалайды.