Chulalongkorn University Theses and Dissertations (Chula ETD)

Other Title (Parallel Title in Other Language of ETD)

An analysis of acoustic features for attention score in MoCA assessment

Year (A.D.)

2022

Document Type

Thesis

First Advisor

โปรดปราน บุณยพุกกณะ

Second Advisor

ฑิตยา หวานวารี

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Department (if any)

Department of Computer Engineering (ภาควิชาวิศวกรรมคอมพิวเตอร์)

Degree Name

วิทยาศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิทยาศาสตร์คอมพิวเตอร์

DOI

10.58837/CHULA.THE.2022.781

Abstract

งานวิจัยนี้เป็นการศึกษาเพื่อค้นหาคุณลักษณะทางเสียงที่มีความสำคัญในการประเมินคะแนนการทำงานสมองด้านแอตเทนชันของแบบประเมินไทยโมคา โดยใช้ชุดข้อมูลเสียงที่บันทึกจากแอปพลิเคชันไทยโมคา โดยเลือกแบบทดสอบทวนตัวเลขตามลำดับจากหน้าไปหลัง (Digit Forward Span, DFS) และแบบทดสอบทวนตัวเลขตามลำดับจากหลังไปหน้า (Digit Backward Span, DBS) ซึ่งเป็นแบบทดสอบการทำงานของสมองด้านแอตเทนชัน ผู้วิจัยพัฒนาโมเดลเพื่อสกัดคุณลักษณะเสียง และเปรียบเทียบหาชุดคุณลักษณะสำคัญทางเสียงที่ด้วยวิธีการกำจัดคุณลักษณะแบบเรียกซ้ำ (Recursive Feature Elimination, RFE) ซึ่งมีความแม่นยำในการจำแนกข้อมูลคะแนนการทำงานสมองด้านแอตเทนชันของแบบประเมินไทยโมคาสูงที่สุด โดยจากการวิจัยนั้นผู้วิจัยได้รับชุดคุณลักษณะสำคัญทางเสียงที่ประกอบด้วย 3 คุณลักษณะ คือ ผลรวมของช่วงเวลาขณะเกิดเสียงในแบบทดสอบทวนตัวเลขตามลำดับจากหน้าไปหลัง ที่ตรวจสอบจากความเข้มของเสียง ผลรวมของช่วงเวลาขณะเกิดเสียงในแบบทดสอบทวนตัวเลขตามลำดับจากหน้าไปหลัง ที่ตรวจสอบจากคอนทัวร์ของระดับเสียง และผลรวมของช่วงเวลาขณะเกิดเสียงในแบบทดสอบทวนตัวเลขตามลำดับจากหลังไปหน้า ที่ตรวจสอบจากคอนทัวร์ของระดับเสียง และชุดคุณลักษณะนี้มีความแม่นยำในการจำแนกข้อมูลคะแนนการทำงานสมองด้านแอตเทนชันร้อยละ 72.0 ซึ่งมากกว่าการใช้คุณลักษณะทางเสียงทั้งหมดในการจำแนกข้อมูล

Other Abstract (Other language abstract of ETD)

In this research, we identified a new set of relevant acoustic features influencing attention scores on the Thai Montreal Cognitive Assessment (Thai MoCA). A dataset from the Digit Forward Span (DFS) task of attention and the Digit Backward Span (DBS) task of attention in the Thai Montreal Cognitive Assessment application was utilized. The model for extracting acoustic features and comparing a set of acoustic features selected by the Recursive Feature Elimination (RFE) was developed, Our model is able to classify the attention score in the Thai Montreal Cognitive Assessment most accurately at 72.0%. The best set of acoustic features consists of 3 features: the duration of voice from the DFS based on intensity, the duration of voice from the DBS based on pitch contour, and the Duration of voice from DFS based on pitch contour. This set has higher predictive power than the full feature set in the attention domain.

Share

COinS
 
 

To view the content in your browser, please download Adobe Reader or, alternately,
you may Download the file to your hard drive.

NOTE: The latest versions of Adobe Reader do not support viewing PDF files within Firefox on Mac OS and if you are using a modern (Intel) Mac, there is no official plugin for viewing PDF files within the browser window.