Zusammenfassung
Die menschliche Stimme wird täglich zur Kommunikation eingesetzt. Dabei geschieht dies meist unbewusst und ohne Beachtung dessen, was sie über uns aussagt, welche Informationen aus ihr gewonnen werden können und welchen wertvollen Beitrag sie leisten könnte zur Früherkennung von Krankheiten wie dem Morbus Parkinson (MP). Werden Innovationen aus Medizin und Informationstechnologie in einem interdisziplinären Ansatz verbunden, eröffnet dies neue Chancen dahin gehend. Die vorliegende Arbeit beleuchtet die Möglichkeit zur Frühdiagnose von MP mittels Stimmauswertung unter Zuhilfenahme von künstlicher Intelligenz (KI) und geht dabei ein auf das Krankheitsbild des MP, dessen spezifische Symptome und Merkmale als Basis zur Frühdiagnose, die Möglichkeiten der Stimmauswertung mittels kinetisch-akustischer Biomarker, Big Data, maschinellem Lernen und KI.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Amiriparian, S., Gerczuk, M., Ottl, S., Cummins, N., Freitag, M., Pugachevskiy, S., Baird, A., & Schuller, B. (2017–2018). Snore sound classification using image-based deep spectrum features. In Proceedings of INTERSPEECH, 18th Annual Conference of the International Speech Communication Association, August 20–24, 2017 on the campus of Stockholm University, Stockholm, Sweden. 17, S. 3512–3516. https://doi.org/10.21437/Interspeech.2017-434. Zugegriffen: 8. Dez. 2020.
Amiriparian, S., Freitag, M., Cummins, N., & Schuller, B. (2017). Sequence to sequence autoencoders for unsupervised representation learning from audio. In Proceedings of the Detection and Classification of Acoustic Scenes and Events 2017 Workshop, S. 17–21, contribution to the Acoustic Scene Classification task of the IEEE AASP Challenge on Detection and Classification of Acoustic Scenes and Events (DCASE2017), 15 March ‒ 31 July 2017. München, Deutschland. Challenge was organized by Tampere University of Technology (TUT) in collaboration with Carnegie Mellon University and. https://www.uni-augsburg.de/de/fakultaet/fai/informatik/prof/eihw/forschung/toolkits/. Zugegriffen: 8. Dez. 2020.
Anthes, E. (2020). Alexa do I have COVID-19? Nature, 586, 22–25. https://doi.org/10.1038/d41586-020-02732-4. Zugegriffen: 8. Dez. 2020.
Al-Siddiq, W. (2018). Listen to this: MedTech and power of human voice. https://www.mpo-mag.com/contents/view_online-exclusives/2018-03-20/listen-to-this-medtech-and-the-power-of-the-human-voice/. Zugegriffen: 9. Dez. 2020.
Alzaid, H., Ethofer, T., Hobert, M. A., Kardatzki, B., Erb, M., Maetzler, W., & Berg, D. (2020). Distinct relationship between cognitive flexibility and white matter integrity in individuals at risk of parkinson’s disease. Frontiers in Aging Neuroscience, 12, 250. https://doi.org/10.3389/fnagi.2020.00250.PMID:32903902;PMCID:PMC7439016. Zugegriffen: 11. Dez. 2020.
Acatech. (2019). Lernende Systeme im Gesundheitswesen. Acatech (Hrsg.). https://www.acatech.de/wp-content/uploads/2019/07/AG6_Bericht_23062019.pdf. Zugegriffen: 11. Dez. 2020.
audEERING. (2018). What we do, audEERING GmbH (Hrsg.). https://www.audeering.com/what-we-do/. Zugegriffen: 11. Dez. 2020.
Berg, R. E. (2018). Sound recording. In Encyclopædia Britannica, Artikel erschienen am 19.06.2018, britannica (Hrsg.). https://www.britannica.com/technology/sound-recording. Zugegriffen: 8. Dez. 2020.
Bhavnani, S. P., Narula, J., & Sengupta, P. P. (2016). Mobile technology and the digitization of healthcare. European Heart Journal, 37(18), 1428–1438. https://doi.org/10.1093/eurheartj/ehv770Published:11February2016. Zugegriffen: 8. Dez. 2020.
Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V. (2017). Künstliche Intelligenz, Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V. (Hrsg.). https://www.dfki.de/filead-min/user_upload/import/9744_171012-KI-Gipfelpapier-online.pdf. Zugegriffen: 7. Dez. 2020.
Defazio, G., Guerrieri, M., Liuzzi, D., Gigante, A. F., & di Nicola, V. (2016). Assessment of voice and speech symptoms in early Parkinson’s disease by the Robertson dysarthria profile. Neurological Sciences, 37(3), 443–449. https://scholar.google.com/scholar?q=Assessment+of+voice+and+speech+symptoms+in+early+Parkinson’s+disease+by+the+Robertson+dysarthria+profile+Defazio+2016. Zugegriffen: 9. Dez. 2020.
Deshpande, G., & Schuller, B. W. (2020). An overview on audio, signal, speech, & language processing for COVID-19 arXiv:2005.085791 (cs.CY), 18.05.2020. https://arxiv.org/pdf/2005.08579.pdf. Zugegriffen: 17. Dez. 2020.
dbl. (o. J.). Physiologie der Stimme, Deutscher Bundesverband für Logopädie e. V. (dbl, Hrsg.). https://www.dbl-ev.de/logopaedie/normale-entwicklung/physiologie-der-stimme/. Zugegriffen: 16. Dez. 2020.
Diehn S. A. (2013) Voice analysis: An objective diagnostic tool based on flawed algorithms, Artikel erschienen am 05.11.2013. https://www.dw.com/en/voice-analysis-an-objective-diagnostic-tool-based-on-flawed-algorithms/a-17187057. https://p.dw.com/p/1A78b. Zugegriffen: 10. Nov. 2020.
Godino-Llorente, J. I., Shattuck-Hufnagel, S., Choi, J. Y., Moro-Velázquez, L., & Gómez-García, J. A. (2017). Towards the identification of idiopathic parkinson’s disease from the speech. New articulatory kinetic biomarkers. PLOS ONE 12(12), e0189583. https://doi.org/10.1371/journal.pone.0189583.
Kiese-Himmel, C. (2016). Körperinstrument Stimme. Grundlage, psychologische Bedeutung, Störung. Springer. https://doi.org/10.1007/978-3-662-49648-0_3. Zugegriffen: 16. Dez. 2020.
Little, M. A. (2013). United StatesUbiquitous, inexpensive non-invasive technologies for objective detection and monitoring of parkinson’s symptoms. Funded studies. MIT (Hrsg.), Cambridge, MA. https://www.michaeljfox.org/grant/ubiquitous-inexpensive-non-invasive-technologies-objective-detection-and-monitoring. Zugegriffen: 17. Dez. 2020.
Mattle, H., & Mumenthaler, M. (2002). Kurzlehrbuch Neurologie. Thieme.
MEDICA Magazin Parkinson. (2015). Früherkennung als Schlüssel zu neuen Therapien 10.04.2015. MEDICA Magazin / News / Archiv / Parkinson: Früherkennung als Schlüssel zu neuen Therapien MEDICA.de; Quelle: Deutsche Gesellschaft für Neurologie, Medica (Hrsg.). https://www.medica.de/de/News/Archiv/Parkinson_Früherkennung_als_Schlüssel_zu_neuen_Therapien. Zugegriffen: 4. Dez. 2020.
Melzer, T. R., Watts, R., MacAskill, M. R., Pitcher, T. L., Livingston, L., Keenan, R. J., Dalrymple-Alford, J. C., & Anderson, T. J. (2013). White matter microstructure deteriorates across cognitive stages in Parkinson disease. Neurology., 80(20), 1841–1849. https://doi.org/10.1212/WNL.0b013e3182929f62 Epub 2013 Apr 17 PMID: 23596076.
Hlavnička, J., Čmejla, R., Tykalová, T., Šonka, K., Růžička, E., & Ruszcorresponding, J. (2017). Automated analysis of connected speech reveals early biomarkers of Parkinson’s disease in patients with rapid eye movement sleep behaviour disorder. Scientific Reports, 7(1), 12. https://doi.org/10.1038/s41598-017-00047-5. https://europepmc.org/article/pmc/5428345.
Ozkan, H. (2016). A comparison of classification methods for telediagnosis of parkinson’s disease. Entropy, 18(4), 115. https://www.semanticscholar.org/paper/A-Comparison-of-Classification-Methods-for-of-Ozkan/7dedb57a0a77d88b7e82dcfab0302a50723acb61. Zugegriffen: 10. Dez. 2020.
Santos, L. L. M., Oliveira dos Reis, L., Bassi, I., Guzella, C., Cardoso, F., Reis, C., & Côrtes Gama, A. C. (2010). Acoustic and hearing-perceptual voice analysis in individuals with idiopathic Parkinson’s disease in „on“ and „off“ stages. Arquivos de Neuro-Psiquiatria, 68(5), 706–711. http://www.scielo.br/pdf/anp/v68n5/v68n5a06.pdf. Zugegriffen: 14. Dez. 2020.
Schmidt, G. (1919). Die Lehre vom Schall. Springer Fachmedien Wiesbaden GmbH.
Schuller, B. W. (2020). The INTERSPEECH 2020 computational paralinguistics challenge: Elderly emotion, breathing & masks proceedings INTERSPEECH. Shanghai, China: ISCA. https://scholar.google.de/citations?user=OvKHt2wAAAAJ&hl=en#d=gs_md_cita-d&u=%2Fcitations%3Fview_op%3Dview_citation%26hl%3Den%26user%3DOvKHt2wAAAAJ%26citation_for_view%3DOvKHt2wAAAAJ%3A4DMP91E08xMC%26tzom%3D-60. Zugegriffen: 15. Dez. 2020.
Simply, R. M., Dafna, E., & Zigel, Y. (2018). Obstructive sleep ap- nea (osa) classification using analysis of breathing sounds during speech. In 2018 26th European Signal Processing Conference (EUSIPCO). Institute of Electrical and Electronics Engineers (IEEE), 3–7 Sept. 2018, Rome, Italy, S. 1132–1136. https://arxiv.org/pdf/2005.08579.pdf. Zugegriffen: 15. Dez. 2020.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Straub, S. (2022). Interdisziplinäre Ansätze zu Medizin und künstlicher Intelligenz (KI): Stimmauswertung zur Frühdiagnose beim Morbus Parkinson (MP). In: Pfannstiel, M.A. (eds) Künstliche Intelligenz im Gesundheitswesen. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-33597-7_27
Download citation
DOI: https://doi.org/10.1007/978-3-658-33597-7_27
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-33596-0
Online ISBN: 978-3-658-33597-7
eBook Packages: Business and Economics (German Language)