Technologia

Sound Objects
Obiekty dźwiękowe to nowe, unikalne podejście do rozkładu, separacji i analizy dźwięku przy użyciu nowoczesnych rozwiązań i algorytmów wektoryzacji dźwięku. Firma Spectrum Insights stworzyła jedną z najbardziej zaawansowanych na świecie metodologii przetwarzania sygnału dźwiękowego z uwzględnieniem faz, opartą na modelu sinusoidalnym, który oferuje radykalnie nowe podejście do obliczeniowej analizy sceny słuchowej (tj. słuchania maszynowego).

W najnowocześniejszych edytorach spektralnych ścieżka dźwiękowa jest reprezentowana na spektrogramie jako mapa termiczna punktów (piksele/grafika rastrowa), które są trudne do grupowania i manipulowania semantycznie. W rozwiązaniu Spectrum Insights punkty energii widoczne na spektrogramie są automatycznie grupowane i kondensowane w tak zwane obiekty dźwiękowe (tj. graficzne reprezentacje wektorowe 3D wszystkich składowych częstotliwości), gdzie każdy skondensowany punkt energii jest połączony fazowo z następnym (wyjątkowa i istotna cecha technologii). To pozwala nam indywidualnie analizować i manipulować wszystkimi punktami energii. Co ważniejsze, możemy analizować i manipulować całymi grupami/obszarami punktów (wybranymi automatycznie), które mają znaczenie semantyczne (jak pojedyncze harmoniczne dźwiękowe, grupy harmonicznych czy fonemy).

W ten sposób oferujemy niezrównaną jakość, skompresowaną i edytowalną formę spektrogramu ludzkiego głosu, który oferuje doskonałą jakość. W połączeniu z możliwościami uczenia maszynowego daje to Spectrum Insights możliwość identyfikowania, analizowania i klasyfikowania subtelnych zmian w ludzkim głosie, które mogą wynikać z pojawienia się wczesnych zaburzeń funkcji poznawczych (demencji).

Przydatne linki

• On the scale, impact, and perspectives of dementia
  “Estimation of the global prevalence of dementia in 2019 and forecasted prevalence in 2050: an analysis for the Global Burden of Disease Study 2019” by Lancet Public Health 2022; Published Online January 6, 2022 (https://doi.org/10.1016/ S2468-2667(21)00249-8)
  
• On benefits of early dementia diagnosing and prevention
  “Dementia prevention, intervention, and care: 2020 report of the Lancet Commission”
  (https://www.thelancet.com/article/S0140-6736(20)30367-6/fulltext)
  
• On the promise of voice as biomarker of dementia
  • “Abnormal vocal behavior predicts executive and memory deficits in Alzheimer’s disease” in Neurobiol Aging, by Kamalini Ranasinghe (UCSF), Jeevit S. Gill, Hardik Kothare (Modality.AI), Alexander J. Beagle (UCSF)
    (https://www.researchgate.net/publication/312076310_Abnormal_vocal_behavior_predicts
    _executive_and_memory_deficits_in_Alzheimer’s_disease)
  • “Detection of dementia on voice recordings using deep learning: a Framingham Heart Study” in Alzheimer’s Research & Therapy, by Chonghua Xue, Cody Karjadi, Ioannis Ch. Paschalidis, Rhoda Au & Vijaya B. Kolachalama (all Boston University)
    (https://alzres.biomedcentral.com/articles/10.1186/s13195-021-00888-3)

Algorytmy i uczenie maszynowe
Tradycyjne narzędzia diagnostyczne trwają właściwie niezmienione od czasu ich powstania. Dzięki uczeniu maszynowemu nasz silnik sztucznej inteligencji może być stale aktualizowany. Sztuczna inteligencja wbudowana w nasze rozwiązanie umożliwia skuteczniejsze i precyzyjniejsze wykorzystanie danych i jest ulepszana pod względem czułości i zakresu co skutkuje poprawą wydajności systemu w miarę upływu czasu.

Wykorzystanie sztucznej inteligencji jako wsparcia klinicysty w podejmowaniu decyzji diagnostycznych w opiece zdrowotnej, wymaga pewnego poziomu wyjaśnialności modelu, w celu zrozumienia czynników, które doprowadziły do danego wyniku.