การวิเคราะห์คุณลักษณะของเสียงเพื่อทำนายคะแนนแอตเทนชันในแบบประเมินโมคา

วิโรจน์ ตรีมงคลโชค

dc.contributor.advisor	โปรดปราน บุณยพุกกณะ
dc.contributor.advisor	ฑิตยา หวานวารี
dc.contributor.author	วิโรจน์ ตรีมงคลโชค
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2023-02-03T04:00:35Z
dc.date.available	2023-02-03T04:00:35Z
dc.date.issued	2565
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/81533
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2565
dc.description.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
dc.description.abstractalternative	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.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2022.781
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject.classification	Computer Science
dc.title	การวิเคราะห์คุณลักษณะของเสียงเพื่อทำนายคะแนนแอตเทนชันในแบบประเมินโมคา
dc.title.alternative	An analysis of acoustic features for attention score in MoCA assessment
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2022.781