Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/81533
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorโปรดปราน บุณยพุกกณะ-
dc.contributor.advisorฑิตยา หวานวารี-
dc.contributor.authorวิโรจน์ ตรีมงคลโชค-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์-
dc.date.accessioned2023-02-03T04:00:35Z-
dc.date.available2023-02-03T04:00:35Z-
dc.date.issued2565-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/81533-
dc.descriptionวิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2565-
dc.description.abstractงานวิจัยนี้เป็นการศึกษาเพื่อค้นหาคุณลักษณะทางเสียงที่มีความสำคัญในการประเมินคะแนนการทำงานสมองด้านแอตเทนชันของแบบประเมินไทยโมคา 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-
dc.description.abstractalternativeIn 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.-
dc.language.isoth-
dc.publisherจุฬาลงกรณ์มหาวิทยาลัย-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2022.781-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัย-
dc.subject.classificationComputer Science-
dc.titleการวิเคราะห์คุณลักษณะของเสียงเพื่อทำนายคะแนนแอตเทนชันในแบบประเมินโมคา-
dc.title.alternativeAn analysis of acoustic features for attention score in MoCA assessment-
dc.typeThesis-
dc.degree.nameวิทยาศาสตรมหาบัณฑิต-
dc.degree.levelปริญญาโท-
dc.degree.disciplineวิทยาศาสตร์คอมพิวเตอร์-
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัย-
dc.identifier.DOI10.58837/CHULA.THE.2022.781-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6270265921.pdf2.11 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.