Segmentação Automática de Áudios na Entrevista de Pacientes para o Teste de Alzheimer

• Gustavo Amaral PUCRS
• Luan Dopke PUCRS
• João Paulo Aires PUCRS
• Juliana Onofre de Lira UnB
• Lilian Cristine Hubner PUCRS
• Dalvan Griebler PUCRS

DOI: https://doi.org/10.5753/eramiars.2025.16639

Resumo

A análise automática de áudios de pacientes tem-se mostrado promissora na detecção de condições neurológicas. Entretanto, a segmentação manual das falas entre entrevistador e entrevistado é um processo demorado e sujeito a erros. Este artigo propõe um pipeline automatizado para segmentar trechos de fala entre entrevistadores e entrevistados em entrevistas do teste Boston Diagnostic Aphasia Examination (BDAE) em português, combinando representações vetoriais e modelos de Aprendizado de Máquina supervisionados e não supervisionados. Nos experimentos, o modelo supervisionado XGBoost alcançou 0,8861 de acurácia, enquanto o modelo não supervisionado K-Means obteve 0,8458.

Referências

García, F. P., Cánovas, O., and Clemente, F. J. G. (2024). Exploring ai techniques for generalizable teaching practice identification. IEEE Access, 12:134702–134713.

Goodglass, H., Kaplan, E., and Barresi, B. (2001). Boston Diagnostic Aphasia Examination: Stimulus Cards. Lippincott Williams & Wilkins.

Vigo, I., Coelho, L., and Reis, S. (2022). Speech- and language-based classification of alzheimer’s disease: A systematic review. Bioengineering, 9(1):27.

Weninger, F., Eyben, F., Schuller, B. W., Mortillaro, M., and Scherer, K. R. (2013). On the acoustics of emotion in audio: What speech, music, and sound have in common. Frontiers in Psychology, Volume 4 - 2013.