IAESONLINEIAESONLINE

Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI)

Estimasi tingkat keparahan gejala skizofrenia memberikan informasi kuantitatif yang berguna pada tahap deteksi dan pengobatan gangguan mental tersebut, karena informasi ini membantu pengambilan keputusan dan meningkatkan manajemen penyakit. Penelitian terbatas telah dilakukan untuk memperkirakan tingkat keparahan gejala sebagai tugas regresi dengan pembelajaran mesin, terutama dari rekaman ucapan, yang merupakan tujuan studi ini bersama dengan deteksi. Fitur akustik, yang mencakup fitur domain frekuensi dan domain waktu, diekstraksi dari 60 subjek skizofrenia dan 59 subjek kontrol sehat yang terlibat dalam penelitian ini. Fitur akustik digunakan untuk melatih GridSearchCV-optimized XGBoost sebagai klasifier. Tiga jaringan Multi-Layer Perceptron (MLP), yang diatur parameter hiper-parameternya dengan Bayesian Optimizer, dilatih untuk memprediksi tingkat keparahan gejala positif, negatif, dan kognitif dari fitur akustik yang diekstraksi dari kelompok skizofrenia. Model klasifikasi XGBoost yang membedakan antara kelompok skizofrenia dan sehat mencapai akurasi klasifikasi 98,6%. Tiga model regresi MLP menghasilkan Kesalahan Mutlak Rata-Rata (MAE) sebesar 1,975, 2,856, dan 1,555, serta koefisien korelasi sebesar 0,888, 0,806, dan 0,786 untuk memprediksi skor gejala positif, negatif, dan kognitif secara berurutan. Arsitektur solusi untuk pengujian model secara praktis disarankan.

Penelitian ini menggunakan fitur akustik untuk memperkirakan tingkat keparahan gejala skizofrenia sebagai skor numerik kontinu, berbeda dari penelitian lain yang mengklasifikasikan tingkat keparahan menjadi rentang rendah dan tinggi.Dengan arsitektur jaringan saraf dalam yang dioptimalkan secara Bayesian, indikator kinerja regresi terkini dicapai.Sebuah klasifier detektor skizofrenia berkinerja tinggi juga dibangun menggunakan subset fitur akustik yang memaksimalkan segregasi antara kelompok sehat dan skizofrenia.Model-model canggih ini akan berfungsi sebagai sistem pakar yang memberikan data kualitatif dan kuantitatif tentang status gangguan tersebut kepada dokter, yang akan meningkatkan pengambilan keputusan dan hasil pengobatan skizofrenia.Namun, jumlah peserta dalam penelitian ini relatif kecil, sehingga disarankan untuk melakukan penelitian serupa dengan jumlah peserta yang lebih besar untuk meningkatkan generalisasi model.

Penelitian lanjutan dapat fokus pada integrasi data biometrik lain seperti EEG atau fMRI untuk meningkatkan akurasi deteksi. Selain itu, pengembangan model berbasis deep learning yang lebih kompleks dengan data augmentasi dapat meningkatkan generalisasi model. Terakhir, studi tentang aplikasi sistem ini dalam lingkungan klinis nyata untuk memvalidasi efektivitasnya dalam diagnosis rutin skizofrenia juga layak dilakukan.

  1. Detection and Estimation of Schizophrenia Severity from Acoustic Features with Inclusion of K-means as... doi.org/10.52549/ijeei.v13i1.5506Detection and Estimation of Schizophrenia Severity from Acoustic Features with Inclusion of K means as doi 10 52549 ijeei v13i1 5506
Read online
File size797.74 KB
Pages17
DMCAReport

Related /

ads-block-test