ホーム > 特許ランキング > Ｅｍｏｃｏｇ Ｉｎｃ．
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024086558
(43)【公開日】2024-06-27
(54)【発明の名称】パーキンソン病予測装置および方法
(51)【国際特許分類】
A61B 10/00 20060101AFI20240620BHJP
G10L 25/66 20130101ALI20240620BHJP
G10L 25/30 20130101ALI20240620BHJP
【ＦＩ】
A61B10/00 H
G10L25/66
G10L25/30
【審査請求】有
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023144892
(22)【出願日】2023-09-06
(31)【優先権主張番号】10-2022-0177620
(32)【優先日】2022-12-16
(33)【優先権主張国・地域又は機関】KR
(31)【優先権主張番号】10-2023-0044734
(32)【優先日】2023-04-05
(33)【優先権主張国・地域又は機関】KR
(71)【出願人】
【識別番号】521502757
【氏名又は名称】イモコグ インク．
【氏名又は名称原語表記】Ｅｍｏｃｏｇ Ｉｎｃ．
【住所又は居所原語表記】（Ｂｏｎｇｃｈｅｏｎ－ｄｏｎｇ，Ｃｈａｒａｃｔｅｒ Ｇｒｅｅｎｖｉｌｌｅ） ４１１－ｈｏ ７ Ｂｏｒａｍａｅ－ｒｏ ５ｇａ－ｇｉｌ Ｇｗａｎａｋ－ｇｕ， Ｓｅｏｕｌ ０８７０８ （ＫＲ）
(74)【代理人】
【識別番号】110001139
【氏名又は名称】ＳＫ弁理士法人
(74)【代理人】
【識別番号】100130328
【弁理士】
【氏名又は名称】奥野 彰彦
(74)【代理人】
【識別番号】100130672
【弁理士】
【氏名又は名称】伊藤 寛之
(72)【発明者】
【氏名】ノ、ユフン
(72)【発明者】
【氏名】ジョ、ジュンサン
(72)【発明者】
【氏名】キム、ハイリン
(57)【要約】 （修正有）
【課題】発話者の音声分析によって発話者のパーキンソン病を予測するパーキンソン病予測装置及び方法を提供する。
【解決手段】方法は、発話者の発話結果を含む音声データから構文の組み合せを抽出するステップと、音声データを前処理する条件および構文の組み合せを変更してパーキンソン病予測モデルの精度を検証するステップと、パーキンソン病予測モデルの精度を検証した結果から上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定するステップと、パーキンソン病予測のための音声データに対応する発話者の発話結果をパーキンソン病予測モデルに入力し、パーキンソン病予測モデルの出力で発話者に対するパーキンソン病予測結果を取得するステップと、を含む。
【選択図】図３４
【解決手段】方法は、発話者の発話結果を含む音声データから構文の組み合せを抽出するステップと、音声データを前処理する条件および構文の組み合せを変更してパーキンソン病予測モデルの精度を検証するステップと、パーキンソン病予測モデルの精度を検証した結果から上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定するステップと、パーキンソン病予測のための音声データに対応する発話者の発話結果をパーキンソン病予測モデルに入力し、パーキンソン病予測モデルの出力で発話者に対するパーキンソン病予測結果を取得するステップと、を含む。
【選択図】図３４
【特許請求の範囲】
【請求項1】
パーキンソン病予測装置のプロセッサによって実行されるパーキンソン病予測方法であって、
発話者の発話結果を含む音声データから構文の組み合せを抽出するステップと、
前記音声データを前処理する条件および前記構文の組み合せを変更してパーキンソン病予測モデルの精度を検証するステップと、
前記パーキンソン病予測モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定するステップと、
前記パーキンソン病予測のための音声データに対応する発話者の発話結果を前記パーキンソン病予測モデルに入力し、前記パーキンソン病予測モデルの出力で前記発話者のパーキンソン病予測結果を取得するステップとを含む、
パーキンソン病予測方法。
発話者の発話結果を含む音声データから構文の組み合せを抽出するステップと、
前記音声データを前処理する条件および前記構文の組み合せを変更してパーキンソン病予測モデルの精度を検証するステップと、
前記パーキンソン病予測モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定するステップと、
前記パーキンソン病予測のための音声データに対応する発話者の発話結果を前記パーキンソン病予測モデルに入力し、前記パーキンソン病予測モデルの出力で前記発話者のパーキンソン病予測結果を取得するステップとを含む、
パーキンソン病予測方法。
【請求項2】
前記構文の組み合せは、
所定の子音（ｃｏｎｓｏｎａｎｔ）と所定の母音（ｖｏｗｅｌ）とを組み合わせた少なくとも１つの第１音節（ｓｙｌｌａｂｌｅ）からなる複数の異なる第１構文の組み合せ（ｓｙｎｔａｃｔｉｃ ｃｏｍｂｉｎａｔｉｏｎ）であるか、
基本母音セット（ｂａｓｉｃ ｖｏｗｅｌ ｓｅｔ）と、所定の双子音および所定の母音を組み合わせた第２音節と、前記第１構文の組み合せのうちの少なくとも１つ以上が組み合わせられた複数の異なる第２構文の組み合せであるか、
任意の子音と任意の母音とを組み合わせた少なくとも１つの第３音節と、前記複数の異なる第２構文の組み合せも含まれるいずれかの構文の組み合せを含む複数の異なる第３構文の組み合せを含む、
請求項１に記載のパーキンソン病予測方法。
所定の子音（ｃｏｎｓｏｎａｎｔ）と所定の母音（ｖｏｗｅｌ）とを組み合わせた少なくとも１つの第１音節（ｓｙｌｌａｂｌｅ）からなる複数の異なる第１構文の組み合せ（ｓｙｎｔａｃｔｉｃ ｃｏｍｂｉｎａｔｉｏｎ）であるか、
基本母音セット（ｂａｓｉｃ ｖｏｗｅｌ ｓｅｔ）と、所定の双子音および所定の母音を組み合わせた第２音節と、前記第１構文の組み合せのうちの少なくとも１つ以上が組み合わせられた複数の異なる第２構文の組み合せであるか、
任意の子音と任意の母音とを組み合わせた少なくとも１つの第３音節と、前記複数の異なる第２構文の組み合せも含まれるいずれかの構文の組み合せを含む複数の異なる第３構文の組み合せを含む、
請求項１に記載のパーキンソン病予測方法。
【請求項3】
前記複数の異なる第１構文の組み合せに含まれる前記所定の子音は、言語規則（ｌａｎｇｕａｇｅ ｒｅｇｕｌａｔｉｏｎ）に従う子音順序（ｃｏｎｓｏｎａｎｔ ｏｒｄｅｒ）通りに前記所定の母音と組み合わせられ、
前記複数の異なる第１構文の組み合せに含まれる前記所定の母音は、いずれかの単一母音として決定される、
請求項２に記載のパーキンソン病予測方法。
前記複数の異なる第１構文の組み合せに含まれる前記所定の母音は、いずれかの単一母音として決定される、
請求項２に記載のパーキンソン病予測方法。
【請求項4】
前記データから構文の組み合せを抽出するステップは、
前記音声データから、前記子音順序に応じたｎ番目の子音からｎ＋ｋ番目の子音を前記所定の母音と組み合わせて前記第１音節を生成し、前記第１音節を予め設定された数の回数繰り返して前記第１構文の組み合せとして抽出するステップを含み、
前記ｎは自然数を含み、前記ｋは０および自然数を含む、
請求項３に記載のパーキンソン病予測方法。
前記音声データから、前記子音順序に応じたｎ番目の子音からｎ＋ｋ番目の子音を前記所定の母音と組み合わせて前記第１音節を生成し、前記第１音節を予め設定された数の回数繰り返して前記第１構文の組み合せとして抽出するステップを含み、
前記ｎは自然数を含み、前記ｋは０および自然数を含む、
請求項３に記載のパーキンソン病予測方法。
【請求項5】
前記構文の組み合せを抽出するステップの前に、
前記パーキンソン病予測モデルを生成するステップをさらに含み、
前記パーキンソン病予測モデルは、
発話者の発話結果を含む音声データを用いて、前記発話者に対するパーキンソン病を予測するために予め訓練されたディープニューラルネットワークモデルを訓練することによって生成され、
前記ディープニューラルネットワークモデルは、
発話者の発話結果を含む音声データを入力とし、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症のいずれかをラベルとする訓練データにより指導学習方式で訓練されたモデルである、
請求項４に記載のパーキンソン病予測方法。
前記パーキンソン病予測モデルを生成するステップをさらに含み、
前記パーキンソン病予測モデルは、
発話者の発話結果を含む音声データを用いて、前記発話者に対するパーキンソン病を予測するために予め訓練されたディープニューラルネットワークモデルを訓練することによって生成され、
前記ディープニューラルネットワークモデルは、
発話者の発話結果を含む音声データを入力とし、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症のいずれかをラベルとする訓練データにより指導学習方式で訓練されたモデルである、
請求項４に記載のパーキンソン病予測方法。
【請求項6】
前記精度を検証するステップは、
前記音声データを前処理する第２前処理条件、および前記複数の異なる第２構文の組み合せに基づいて前記パーキンソン病予測モデルの精度を検証するステップを含み、
前記第２前処理条件は、
前記音声データを録音するチャンネルを統一し、前記音声データのサンプリングレートを統一した第１音響前処理を実行する条件を含む、
請求項５に記載のパーキンソン病予測方法。
前記音声データを前処理する第２前処理条件、および前記複数の異なる第２構文の組み合せに基づいて前記パーキンソン病予測モデルの精度を検証するステップを含み、
前記第２前処理条件は、
前記音声データを録音するチャンネルを統一し、前記音声データのサンプリングレートを統一した第１音響前処理を実行する条件を含む、
請求項５に記載のパーキンソン病予測方法。
【請求項7】
前記音声データで決定するステップは、
前記パーキンソン病予測モデルの精度を検証した結果から、最上位にランクされた前記基本母音セットを、パーキンソン病予測のための音声データとして決定するステップを含む、
請求項６に記載のパーキンソン病予測方法。
前記パーキンソン病予測モデルの精度を検証した結果から、最上位にランクされた前記基本母音セットを、パーキンソン病予測のための音声データとして決定するステップを含む、
請求項６に記載のパーキンソン病予測方法。
【請求項8】
前記精度を検証するステップは、
前記音声データを前処理する第７前処理条件、前記複数の異なる第１構文の組み合せ、および前記複数の異なる第２構文の組み合せに基づいて前記パーキンソン病予測モデルの精度を検証するステップを含み、
前記第７前処理条件は、
前記音声データを録音するチャンネルを統一し、前記音声データのサンプリングレートを統一し、平均音量に応じて前記音声データを正規化し、予め設定された帯域で前記音声データをフィルタリングし、前記音声データからＤＣオフセットを除去し、前記音声データからノイズを除去する第２音響前処理と、前記音声データの無音区間特定値を満たして前記音声データのサイズを均一化処理するデータパディングの種類のうちエッジ（ｅｄｇｅ）の使用を実行する条件を含む、
請求項５に記載のパーキンソン病予測方法。
前記音声データを前処理する第７前処理条件、前記複数の異なる第１構文の組み合せ、および前記複数の異なる第２構文の組み合せに基づいて前記パーキンソン病予測モデルの精度を検証するステップを含み、
前記第７前処理条件は、
前記音声データを録音するチャンネルを統一し、前記音声データのサンプリングレートを統一し、平均音量に応じて前記音声データを正規化し、予め設定された帯域で前記音声データをフィルタリングし、前記音声データからＤＣオフセットを除去し、前記音声データからノイズを除去する第２音響前処理と、前記音声データの無音区間特定値を満たして前記音声データのサイズを均一化処理するデータパディングの種類のうちエッジ（ｅｄｇｅ）の使用を実行する条件を含む、
請求項５に記載のパーキンソン病予測方法。
【請求項9】
前記音声データで決定するステップは、
前記パーキンソン病予測モデルの精度を検証した結果から、最上位にランクされた第１構文の組み合せと、上位２位にランクされた第１構文の組み合せとをパーキンソン病予測のための音声データとして決定するステップを含み、
前記最上位にランクされた第１構文の組み合せは、
前記子音順序に応じた１番目の子音から９番目の子音を前記所定の母音と組み合わせて生成した複数の異なる前記第１音節を予め設定された数の回数繰り返したものであり、
前記上位２位にランクされた第１構文の組み合せは、
前記子音順序に応じた１番目の子音から７番目の子音を前記所定の母音と組み合わせて生成した複数の異なる前記第１音節を予め設定された数の回数繰り返したものである、
請求項８に記載のパーキンソン病予測方法。
前記パーキンソン病予測モデルの精度を検証した結果から、最上位にランクされた第１構文の組み合せと、上位２位にランクされた第１構文の組み合せとをパーキンソン病予測のための音声データとして決定するステップを含み、
前記最上位にランクされた第１構文の組み合せは、
前記子音順序に応じた１番目の子音から９番目の子音を前記所定の母音と組み合わせて生成した複数の異なる前記第１音節を予め設定された数の回数繰り返したものであり、
前記上位２位にランクされた第１構文の組み合せは、
前記子音順序に応じた１番目の子音から７番目の子音を前記所定の母音と組み合わせて生成した複数の異なる前記第１音節を予め設定された数の回数繰り返したものである、
請求項８に記載のパーキンソン病予測方法。
【請求項10】
コンピュータを用いて請求項１に記載の方法を実行するためのコンピュータプログラムが記憶されたコンピュータで読み取り可能な記録媒体。
【請求項11】
パーキンソン病予測装置であり、
プロセッサと、
前記プロセッサと動作可能に連結され、前記プロセッサで実行される少なくとも１つのコードを保存するメモリとを含み、
前記メモリは、前記プロセッサを介して実行される際、前記プロセッサが発話者の発話結果を含む音声データから構文の組み合せを抽出し、
前記音声データを前処理する条件および前記構文の組み合せを変更してパーキンソン病予測モデルの精度を検証し、
前記パーキンソン病予測モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定し、
前記パーキンソン病予測のための音声データに対応する発話者の発話結果を前記パーキンソン病予測モデルに入力し、前記パーキンソン病予測モデルの出力で前記発話者のパーキンソン病予測結果を取得するように引き起こすコードを保存する、
パーキンソン病予測装置。
プロセッサと、
前記プロセッサと動作可能に連結され、前記プロセッサで実行される少なくとも１つのコードを保存するメモリとを含み、
前記メモリは、前記プロセッサを介して実行される際、前記プロセッサが発話者の発話結果を含む音声データから構文の組み合せを抽出し、
前記音声データを前処理する条件および前記構文の組み合せを変更してパーキンソン病予測モデルの精度を検証し、
前記パーキンソン病予測モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定し、
前記パーキンソン病予測のための音声データに対応する発話者の発話結果を前記パーキンソン病予測モデルに入力し、前記パーキンソン病予測モデルの出力で前記発話者のパーキンソン病予測結果を取得するように引き起こすコードを保存する、
パーキンソン病予測装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、パーキンソン病予測装置および方法に関する。
【背景技術】
【0002】
パーキンソン病は、神経変性疾患の一つであり、脳幹の中央に存在する脳の黒質のドーパミン神経系が破壊することで体の動きに障害が現れる疾患を意味することができる。
【0003】
パーキンソン病患者の大半は言葉（ｓｐｅｅｃｈ）の問題を抱えていると知られている。これは、パーキンソン病である可能性がある患者の発話方式や、患者が発話した文からパーキンソン病の有無を間接的に把握できることを意味し得る。
【0004】
上述した背景技術は、発明者が本発明の導出のために保有していたか、本発明の導出過程で習得した技術情報であり、必ずしも本発明の出願前に一般公衆に公開された公知技術とは限らない。
【0005】
本発明は、ソウル特別市ソウル産業振興院２０２２年度成長段階スケールアップ技術事業化支援事業の課題番号ＳＵ２２０００２、「ビズコール（ｂｉｚｃａｌｌ）基盤高齢者最適化認知症早期選別技術事業化」を通じて開発された技術である。
【発明の概要】
【発明が解決しようとする課題】
【0006】
本発明の一課題は、発話者の音声分析を通じて発話者のパーキンソン病を予測するパーキンソン病予測装置および方法を提供することにある。
【0007】
本発明が解決しようとする課題は、以上で述べた課題に限定されず、言及していない本発明の他の課題および利点は、以下の説明によって理解することができ、本発明の実施形態でより明らかに理解されるであろう。さらに、本発明が解決しようとする課題および利点は、特許請求の範囲に示される手段およびその組み合わせによって実現され得ることが理解されるであろう。
【課題を解決するための手段】
【0008】
本実施形態に係るパーキンソン病予測方法は、パーキンソン病予測装置のプロセッサによって実行されるパーキンソン病予測方法であり、発話者の発話結果を含む音声データから構文の組み合せを抽出するステップと、音声データを前処理する条件および構文の組み合せを変更してパーキンソン病予測モデルの精度を検証するステップと、パーキンソン病予測モデルの精度を検証した結果から上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定するステップと、パーキンソン病予測のための音声データに対応する発話者の発話結果をパーキンソン病予測モデルに入力し、パーキンソン病予測モデルの出力で発話者に対するパーキンソン病予測結果を取得するステップとを含むことができる。
【0009】
本実施形態に係るパーキンソン病予測装置は、プロセッサおよびプロセッサと動作可能に連結されて、プロセッサで実行される少なくとも１つのコードを保存するメモリを含み、メモリは、プロセッサを介して実行される際、プロセッサが発話者の発話結果を含む音声データから構文の組み合せを抽出し、音声データを前処理する条件および構文の組み合せを変更してパーキンソン病予測モデルの精度を検証し、パーキンソン病予測モデルの精度を検証した結果から上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定し、パーキンソン病予測のための音声データに対応する発話者の発話結果をパーキンソン病予測モデルに入力し、パーキンソン病予測モデルの出力で前記発話者に対するパーキンソン病予測結果を取得するよう引き起こすコードを保存することができる。
【0010】
これに加えて、本発明を実施するための他の方法、他のシステム、および前記方法を実行するためのコンピュータプログラムを記憶したコンピュータで読み取り可能な記録媒体をさらに提供することができる。
【0011】
前述以外の他の態様、特徴、利点が、以下の図面、特許請求の範囲、および発明の詳細な説明から明らかになるであろう。
【発明の効果】
【0012】
本発明によれば、発話者の音声分析によって発話者のパーキンソン病を予測するパーキンソン病予測装置および方法を提供することができる。
【0013】
本発明の効果は以上で言及したものに限定されず、言及していない他の効果は以下の説明から当業者には明確に理解されるであろう。
【図面の簡単な説明】
【0014】
【発明を実施するための形態】
【0015】
本発明の利点および特徴、並びにそれらを達成する方法は、添付の図面と共に詳細に説明される実施形態を参照すれば明らかになるであろう。しかしながら、本発明は、以下に提示される実施形態に限定されるものではなく、様々な異なる形態で実施することができ、本発明の精神および技術範囲に含まれるすべての変換、等価物ないし代替物を含むことと理解されるべきである。以下に提示される実施形態は、本発明の開示を完全にし、本発明が属する技術分野において通常の知識を有する者に発明の範囲を完全に知らせるために提供されるものである。本発明の説明において、関連する公知技術の具体的な説明が本発明の要旨を不明瞭にすると判断される場合、その詳細な説明は省略する。
【0016】
本出願で使用される用語は、単に特定の実施形態を説明するために使用されたものであり、本発明を限定することを意図していない。単数の表現は、文脈上明らかに他に意味がない限り、複数の表現を含む。本出願において、「含む」または「有する」などの用語は、本明細書に記載の特徴、数字、ステップ、動作、構成要素、部品、またはそれらを組み合わせたものが存在することを指定しようとするものであり、１つまたは複数の他の特徴や、数字、ステップ、動作、構成要素、部品、またはそれらを組み合わせたものの存在または追加の可能性を予め排除しないことと理解されるべきである。第１、第２などの用語は様々な構成要素を説明するために使用することができるが、構成要素は前記用語によって限定されるべきではない。前記用語は、ある構成要素を他の構成要素から区別する目的でのみ使用される。
【0017】
さらに、本出願において、「部」は、プロセッサまたは回路などのハードウェア構成（ｈａｒｄｗａｒｅ ｃｏｍｐｏｎｅｎｔ）、および／またはプロセッサなどのハードウェア構成によって実行されるソフトウェア構成（ｓｏｆｔｗａｒｅ ｃｏｍｐｏｎｅｎｔ）であり得る。
【0018】
さらに、本出願書類において、角括弧（［］）の中には、角括弧の前に記載された音節（ｓｙｌｌａｂｌｅ）、構文（ｓｙｎｔａｃｔｉｃ）、または構文の組み合せ（ｓｙｎｔａｃｔｉｃ ｃｏｍｂｉｎａｔｉｏｎ）の英文表記が含められるし、該当英文表記は音節、構文、もしくは構文の組み合わせの韓国語発音を表すことができる。ここで、音節とは、発話時に最も容易に直感できる発話の最小単位を意味することができる。本実施形態における音節は、例えば、［ｇａ］、［ｈａ］などを含むことができる。また、構文は文の成分の最小単位として分かち書き単位とすることができる。本実施形態における構文は、例えば、"［ａｅｉｏｕ］"、"［ｎａｎａｎａ］"、"［ｒａｒａｒａ］"などを含むことができる。さらに、構文の組み合せは、上述した１つ以上の構文を組み合わせた結果を含むことができる。本実施形態における構文の組み合せは、例えば、"［ｇａｇａｇａｎａｎａｎａ］"、"［ａｅｉｏｕｇａｇａｇａｎａｎａｎａ］"、"［ｎａｎａｎａｓａｓａｓａ］"などを含むことができる。
【0019】
以下、本発明による実施形態を添付図面を参照して詳細に説明するが、添付図面を参照して説明するにあたり、同一または対応する構成要素には同一の図面番号を付し、重複する説明は省略する。
【0020】
以下の実施形態では、第１、第２などの用語は、限定的な意味ではなく、ある構成要素を他の構成要素と区別する目的で使用されている。
【0021】
以下の実施形態では、単数の表現は、文脈上明らかに他に意味がない限り、複数の表現を含む。
【0022】
以下の実施形態では、「含む」または「有する」などの用語は、本明細書に記載の特徴、または構成要素が存在することを意味するものであり、１つまたは複数の他の特徴、または構成要素が追加される可能性を予め排除するものではない。
【0023】
ある実施形態が他に実施可能である場合に特定のプロセス順序は、説明された順序とは異なる方法で実行され得る。 例えば、連続して説明される２つのプロセスは実質的に同時に実行されてもよく、記載された順序とは逆の順序で進行されてもよい。
【0024】
図１は、本実施形態に係るパーキンソン病予測装置の構成を概略的に説明するために示すブロック図であり、図２は、本実施形態に係るハングル子音および母音の数と順序を示す語文規則の例示図であり、図３～図５は、本実施形態に係るパーキンソン病予測装置に抽出する構文の組み合せの例示図であり、図６～図３２は、本実施形態に係るパーキンソン病予測装置の精度検証を説明する例示図である。
【0025】
本実施形態に係るパーキンソン病予測装置１００は、サーバ形態で独立して存在するか、パーキンソン病予測装置１００が提供するパーキンソン病予測機能をアプリケーション形態で具現してユーザー端末（図示せず）に搭載することができる。ユーザー端末は、パーキンソン病予測装置１００が提供するパーキンソン病予測アプリケーションおよび／またはパーキンソン病予測サイトに接続してパーキンソン病予測サービスを受けることができる。
【0026】
【0027】
収集部１１０は、発話者の発話結果を含む音声データを収集することができる。本実施形態では、音声データは、予め設定された資料を朗読した音声録音ファイルを含むことができる。ここで、予め設定された資料は、後述する音節、構文、または構文の組み合せを含む文書、ファイルなどを含むことができる。さらに、音声データは、後述する音節、構文、または構文の組み合せのうちの１つを予め設定された時間（例えば、１～２秒）発話したデータを含むことができる。また、音声データは、後述する音節、構文、または構文の組み合せを高音で発話したデータおよび低音で発話したデータを含むことができる。
【0028】
本実施形態では、音声データと音声信号とは同じ意味で組み合わせて記述することができる。
【0029】
生成部１２０は、パーキンソン病予測モデルを生成してもよい。本実施形態では、パーキンソン病予測モデルは、発話者の発話結果を含む音声データを用いて発話者のパーキンソン病を予測するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは発話者の発話結果を含む音声データを入力とし、パーキンソン病関連疾患に含まれる正常（ｎｏｒｍａｌ）、パーキンソン病（ｐａｒｋｉｎｓｏｎ）、多系統萎縮症（ｍｕｌｔｉｐｌｅ ｓｙｓｔｅｍ ａｔｒｏｐｈｙ）および小脳萎縮症（ｃｅｒｅｂｅｌｌａｒ ａｔｒｏｐｈｙ）のいずれかをラベルとする訓練データによって指導学習方式で訓練されたモデルであり得る。
【0030】
生成部１２０は、ラベル付けされた訓練データを用いて初期に設定されたディープニューラルネットワークモデルを指導学習方式で訓練することができる。ここで、初期に設定されたディープニューラルネットワークモデルは、パーキンソン病予測モデルで構成されるように設計された初期モデルであり、パラメータ値は任意の初期値に設定されている状態である。初期に設定されたディープニューラルネットワークモデルは、上述の訓練データを介して訓練されてパラメータ値が最適化されることによって、発話者のパーキンソン病を正確に予測できるパーキンソン病予測モデルに完成することができる。
【0031】
抽出部１３０は、発話者の発話結果を含む音声データから構文の組み合せを抽出することができる。本実施形態における構文の組み合せは、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せを含むことができる。
【0032】
抽出部１３０が音声データから抽出する複数の異なる第１構文の組み合せは、所定の子音（ｃｏｎｓｏｎａｎｔ）と所定の母音（ｖｏｗｅｌ）を組み合わせた少なくとも１つの第１音節（ｓｙｌｌａｂｌｅ）から構成されてもよい。
【0033】
複数の異なる第１構文の組み合せに含まれる所定の子音は、語文規則に従った子音順序で上述した母音と組み合わせることができる。図２には、語文規則による子音順序２０１が示されている。図２を参照すると、子音順序２０１は、「［ｇｉｙｅｏｋ］、［ｎｉｅｕｎ］、［ｄｉｇｅｕｔ］、［ｒｉｅｕｌ］、［ｍｉｅｕｍ］、［ｂｉｅｕｐ］、［ｓｈｉｏｔ］、［ｉｅｕｎｇ］、［ｊｉｅｕｔ］、［ｃｈｉｅｕｔ］、［ｋｉｕｅｋ］、［ｔｉｅｕｔ］、［ｐｉｅｕｐ］、［ｈｉｅｕｔ］」とすることができる。
【0034】
複数の異なる第１構文の組み合せに含まれる所定の母音は、いずれかの単一母音として決定されてもよい。本実施形態における所定の母音は、図２に示した語文規則に開示された母音順序２０２のうちの第１母音である［ａ］であってもよい。
【0035】
抽出部１３０は、音声データから、子音順序に応じたｎ番目の子音からｎ＋ｋ番目の子音を所定の母音と組み合わせて第１音節を生成し、第１音節を予め設定された数（例えば、３個）の回数繰り返すことで、第１構文の組み合せとして抽出することができる。ここで、ｎは自然数を含み、ｋは０および自然数を含むことができる。
【0036】
一実施形態では、ｎ＝１でｋ＝０である場合、第１構文の組み合せは"［ｇａｇａｇａ］"であり得る。本実施形態では、"［ｇａｇａｇａ］"は、上記の定義に従って構文とも名付けることができる。他の実施形態では、ｎ＝１でｋ＝３の場合、第１構文の組み合せは"［ｇａｇａｇａｎａｎａｎａｄａｄａｄａｒａｒａｒａ］"であり得る。
【0037】
図３には、抽出部１３０が音声データから抽出する第１構文の組み合せが示されている。図３を参照すると、第１構文の組み合せは"［ｇａｇａｇａ］"から"［ｇａｇａｇａ...ｈａｈａｈａ］"までを含めることができる。
【0038】
抽出部１３０が音声データから抽出する複数の異なる第２構文の組み合せは、基本母音セット（ｂａｓｉｃ ｖｏｗｅｌ ｓｅｔ）と、第２音節と、第１構文の組み合せのうちの１つ以上が結合された構成であってもよい。
【0039】
本実施形態では、基本母音セットは"［ａｅｉｏｕ］"を含むことができる。本実施形態では、第２音節は、所定の双子音および所定の母音を組み合わせて生成することができる。本実施形態において第２音節に含まれる所定の双子音は、図２に開示された語文規則による双子音順序２０３のうちの第３双子音である［ｓｓａｎ ｂｉｅｕｐ］であってもよい。また、第２音節に含まれる所定の母音は、図２に開示された語文規則による二重母音順序２０４の第４二重母音である［ｗａ］であってもよい。これから第２音節は［ｐｐａｗａ］であり得る。本実施形態では、第２音節は、第２構文の組み合せに含まれるように予め設定された数（例えば、３個）の回数繰り返すことができる。
【0040】
図４には、抽出部１３０が音声データから抽出する第２構文の組み合せが示されている。図４を参照すると、第２構文の組み合せは"［ａｅｉｏｕ］"から"［ａｅｉｏｕ...ｐｐａｗａｐｐａｗａｐｐａｗａ］"までを含むことができる。
【0041】
抽出部１３０が音声データから抽出する複数の異なる第３構文の組み合せは、第３音節と、複数の異なる第２構文の組み合せに含まれるいずれかの構文の組み合せを含むことができる。
【0042】
本実施形態では、第３音節は、任意の子音と任意の母音とを組み合わせて生成することができる。本実施形態において第３音節に含まれる任意の子音は、図２に示した語文規則による子音順序２０１のうち、"［ｎｉｅｕｎ］、［ｄｉｇｅｕｔ］、［ｓｈｉｏｔ］、［ｉｅｕｎｇ］、［ｈｉｅｕｔ］"と指定することができる。また、第３音節に含まれる任意の母音は、図２に示した語文規則による母音順序２０２のうちの第１母音である［ａ］であってもよい。これから第３音節は、"［ｎａ］"、"［ｄａ］"、"［ｓａ］"、"［ａ］"、"［ｈａ］"として特定され得る。本実施形態では、第３音節は、第３構文の組み合せに含まれるように予め設定された数（例えば、３個）の回数繰り返すことができる。
【0043】
なお、本実施形態において、第３構文の組み合せは、第２構文の組み合せに含まれるいずれかの構文の組み合せである、"［ａｅｉｏｕｇａｇａｇａ...ｍａｍａｍａ］"として指定できる。
【0044】
本実施形態において、複数の異なる第３構文の組み合せは、複数の異なる第２構文の組み合せおよび複数の異なる第３構文の組み合せと異なり、音声データを増強した後、パーキンソン病予測モデルの精度が上位１～４位にランクされた構文の組み合せとして特定することができる。
【0045】
図５には、抽出部１３０が音声データから抽出する複数の異なる第３構文の組み合せが示されている。図５を参照すると、複数の異なる第３構文の組み合せは、第３音節を予め設定された数の回数繰り返して組み合わせた"［ｎａｎａｎａｓａｓａｓａ］"や、"［ｄａｄａｄａａａａ］"や"［ａａａｈａｈａｈａ］"と、複数の異なる第２構文の組み合わせに含まれる"［ａｅｉｏｕｇａｇａｇａ...ｍａｍａｍ］"と特定され得る。
【0046】
検証部１４０は、音声データを前処理する条件および構文の組み合せを変更してパーキンソン病予測モデルの精度を検証することができる。
【0047】
本実施形態において、音声データを前処理する条件は、音響前処理、構文、データパディング、統計的特性、データ分割、ラベル不均衡の補完、スケーリング、外れ値（ｏｕｔｌｉｅｒ）の除去、浮動小数点フォーマットのうちの１つ以上を実行する条件を含むことができる。
【0048】
音響前処理は、第１音響前処理および第２音響前処理に分類することができる。制御部１７０は、第１音響前処理および第２音響前処理のいずれかを選択して検証部１４０に出力することができる。検証部１４０は、選択された第１音響前処理および第２音響前処理のいずれかを実行してパーキンソン病予測モデルの精度を検証することができる。
【0049】
本実施形態における第１音響前処理は、チャンネル均一化処理およびサンプリングレート均一化処理を含むことができる。チャンネル均一化処理は、音声データを録音するチャンネルを１つ（モノラル）に統一したことを意味することができる。サンプリングレート均一化処理は、サンプリングレートを毎秒一定回数（例えば、１６０００回）に統一したことを意味することができる。ここで、サンプリングレートとは、アナログ音声信号をデジタル音声信号に変換するときの時間当たりのサンプリング回数を意味することができる。
【0050】
本実施形態において、第２音響前処理は、チャンネル均一化処理、サンプリングレート均一化処理、音量正規化処理、ハイパスフィルタリング処理、ＤＣオフセット（ｏｆｆｓｅｔ）除去処理、ノイズリダクション（ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ、ｓｔａｔｉｏｎａｒｙ、４０％）処理を含むことができる。チャンネル均一化処理およびサンプリングレート均一化処理は、上記と同様であるので省略する。音声データの音量は、発話者の声の大きさ、または発話者が録音装置（図示せず）からどれだけ離れて録音されたかなどによって異なり得る。音量正規化処理とは、上述したように異なる形で録音された音声データの音量を比較的均一にするために、音声データの平均音量に応じて全体の音声データを正規化することを意味することができる。ハイパスフィルタリング処理は、カットオフ周波数（例えば、９０Ｈｚ）より高い周波数の音声信号のみを通過させることを意味することができる。ＤＣオフセット除去処理は、ＤＣオフセットをゼロにすることを意味し得る。ここで、ＤＣオフセットは波形の平均強度を表すことができる。ＤＣオフセットが０でない場合があるが、この場合ＤＣオフセットが発生したと言える。ＤＣオフセットは、音声がきちんと録音されていない場合、または録音装置に不具合がある場合に発生する可能性がある。ノイズリダクション処理は、きれいな信号を得るためにノイズを軽減することを意味し得る。ここで、ｓｔａｔｉｏｎａｒｙとは、音声信号の全区間にノイズしきい値（ｔｈｒｅｓｈｏｌｄ）を適用することを意味し、４０％はノイズ発見時に音声信号の振幅を４０％に減らすことを意味することができる。
【0051】
構文は、上述した複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せに分類することができる。制御部１７０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せのうちの１つ以上を選択して検証部１４０に出力することができる。検証部１４０は、選択された複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せのうちの１つ以上を実行してパーキンソン病予測モデルの精度を検証することができる。本実施形態における構文は、説明の便宜上、音声データを前処理する条件から除外することができる。
【0052】
データパディングは、データの前後の空き区間に特定の値を追加することによってデータのサイズを均一化することを示すことができる。本実施形態では、データパディングは音声データパディングを含むことができ、音声データの前後の無音区間に特定の値を追加して音声データのサイズを均一化することを示すことができる。データパディングの種類は、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）、ゼロ（ｚｅｒｏ）を含むことができる。エッジ（ｅｄｇｅ）は、前の無音区間をデータの開始値で埋め、後の無音区間をデータの終了値で埋めることができる。リピート（ｒｅｐｅａｔ）は、無音区間を繰り返される個別値（例えば、１）で埋めることができる。タイル（ｔｉｌｅ）は、無音区間を繰り返される全体値（例えば、１２３４）で埋めることができる。ゼロ（ｚｅｒｏ）は無音区間を０で埋めることができる。制御部１７０は、データパディングの種類のうちの１つ以上を選択して検証部１４０に出力することができる。検証部１４０は、選択されたデータパディングの種類のうちの１つ以上を実行してパーキンソン病予測モデルの精度を検証することができる。
【0053】
統計的特性は、音声データから抽出可能な性別、音量、サイズ（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ、二乗平均平方根）、最大振幅、長さ、および話者別の平均構文の長さのうちの少なくとも１つを含み得る。制御部１７０は、統計的特性のうちの１つ以上を選択して検証部１４０に出力することができる。検証部１４０は、選択された統計的特性のうちの１つ以上を実行してパーキンソン病予測モデルの精度を検証することができる。
【0054】
データ分割は、パーキンソン病予測モデルに用いられるデータセット（ｄａｔａ ｓｅｔ）全体を一定の割合で分割することを含み得る。本実施形態では、データセット全体を学習セット（ｔｒａｉｎ ｓｅｔ）、検証セット（ｖａｌｉｄａｔｉｏｎ ｓｅｔ）、テストセット（ｔｅｓｔ ｓｅｔ）に分割することができる。たとえば、学習セット：検証セット：テストセットは６４：１６：２０に分割できる。制御部１７０は、データセット全体の分割率を決定して検証部１４０に出力することができる。検証部１４０は、決定されたデータセット全体の分割率（６４：１６：２０）で音声データを分割してパーキンソン病予測モデルの精度を検証することができる。
【0055】
データ不均衡の補完は、音声データを増強して不均衡を補うことを意味し得る。データ不均衡を補うために、ＳＭＯＴＥ（ｓｙｎｔｈｅｔｉｃ ｍｉｎｏｒｉｔｙ ｏｖｅｒ ｓａｍｐｌｉｎｇ ｔｅｃｈｎｉｑｕｅ）アルゴリズム、ＳＭＯＴＥ－ＮＣ（ｓｙｎｔｈｅｔｉｃ ｍｉｎｏｒｉｔｙ ｏｖｅｒ ｓａｍｐｌｉｎｇ ｔｅｃｈｎｉｑｕｅ ｏｆ ｎｏｍｉｎａｌ ａｎｄ ｃｏｎｔｉｎｕｏｕｓ）アルゴリズム、およびクラス重み付け（ｗｅｉｇｈｔ－ｂａｌａｎｃｉｎｇ）アルゴリズムのうちの１つ以上を用いることができる。ＳＭＯＴＥアルゴリズムは、低比率で存在するクラスのデータをｋ－ＮＮアルゴリズムを活用して新たに生成して増強することができる。ＳＭＯＴＥ－ＮＣアルゴリズムは、カテゴリテータと連続データが混合されたデータに用いることができる。クラス重み付けアルゴリズムは、クラス比が低い側のデータがより大きな損失（ｌｏｓｓ）重みを持つようにしてパーキンソン病予測モデルの学習を調整することができる。制御部１７０は、ＳＭＯＴＥアルゴリズム、ＳＭＯＴＥーＮＣアルゴリズムおよびクラス重み付けアルゴリズムのうちの１つ以上を選択して検証部１４０に出力することができる。検証部１４０は、選択されたＳＭＯＴＥアルゴリズム、ＳＭＯＴＥ－ＮＣアルゴリズムおよびクラス重み付けアルゴリズムのうちの１つ以上を実行してパーキンソン病予測モデルの精度を検証することができる。
【0056】
スケーリング（ｓｃａｌｉｎｇ）は、データ値の範囲を調整することを意味することができる。データをスケーリングする理由は、データの値が大きすぎるか小さすぎると、モデル学習過程で０に収斂するか、無限に発散してしまう可能性があるからである。本実施形態では、スケーリングは正規化（ｎｏｒｍａｌｉｚａｔｉｏｎ）または標準化（ｓｔａｎｄａｒｄｉｚａｔｉｏｎ）スケーリングに分類することができる。正規化は、特性（ｆｅａｔｕｒｅ）値が０と１の間に存在するようにスケーリングすることを示し得る。 標準化は、特性値の平均を０とし、特性値の分散を１にスケーリングすることを示すことができる。制御部１７０は、データスケーリングのうち正規化または標準化を選択して検証部１４０に出力することができる。検証部１４０は、選択されたデータスケーリングのうち正規化または標準化を用いてパーキンソン病予測モデルの精度を検証することができる。
【0057】
外れ値（ｏｕｔｌｉｅｒ）除去は、訓練時のモデルの精度を向上させるために実行されることができる。本実施形態では、外れ値を除去するアルゴリズムとして分離フォレスト（ｉｓｏｌａｔｉｏｎ ｆｏｒｅｓｔ）アルゴリズムを用いることができる。制御部１７０は、外れ値を除去するか、外れ値を除去しないかを選択して検証部１４０に出力することができる。検証部１４０は、選択された外れ値の除去または外れ値の除去なしを実行してパーキンソン病予測モデルの精度を検証することができる。
【0058】
浮動小数点フォーマットはデータの表現方法であり、本実施形態ではｆｌｏａｔ３２およびｆｌｏａｔ６４に分類することができる。ｆｌｏａｔ３２はデータを３２ビットで表し、ｆｌｏａｔ６４はデータを６４ビットで表すことを示す。ｆｌｏａｔ３２はｆｌｏａｔ６４と比較して半分の容量でデータを表現できるが、データの損失がある可能性がある。ｆｌｏａｔ６４が少ない損失でデータをより詳細に表現できる。制御部１７０は、データ表現をｆｌｏａｔ３２にするか、ｆｌｏａｔ６４にするかを選択して検証部１４０に出力することができる。検証部１４０は、選択されたｆｌｏａｔ３２またはｆｌｏａｔ６４で音声データを表現してパーキンソン病予測モデルの精度を検証することができる。
【0059】
任意の実施形態では、音声データを前処理する条件は、音声特徴量抽出をさらに含み得る。本実施形態において音声特徴量を抽出する方法は、ＳＴＦＴ（ｓｈｏｒｔ－ｔｉｍｅ ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｍ ｃｈｒｏｍａｇｒａｍ）、ＣＱＴ（ｃｏｎｓｔａｎｔ－Ｑ ｔｒａｎｓｆｏｒｍ ｃｈｒｏｍａｇｒａｍ）、ＣＥＮＳ（ｃｈｒｏｍａ ｅｎｅｒｇｙ ｎｏｒｍａｌｉｚｅｄ ｓｔａｔｉｓｔｉｃｓ）、Ｍｅｌ－ｓｃａｌｅｄ ｓｐｅｃｔｒｏｇｒａｍ， ＭＦＣＣ（ｍｅｌ－ｆｒｅｑｕｅｎｃｙ ｃｅｐｓｔｒａｌ ｃｏｅｆｆｉｃｉｅｎｔｓ）およびＴＥＭＰＯＧＲＡＭに分類することができる。ＳＴＦＴは、音声信号を一定の長さの区間に分割し、各区間にフーリエ変換を適用して時間の経過と伴うスペクトルを抽出することができる。ＣＱＴは音声信号を周波数領域に変換してピッチの周波数分布を表すベクトル値を抽出することができる。ＣＥＮＳは、音声信号の短期間の高調波を利用して正規化したクロマ（ｃｈｒｏｍａ）ベクトル値を抽出できる。Ｍｅｌ－ｓｃａｌｅｄ ｓｐｅｃｔｒｏｇｒａｍは、メル尺度（Ｍｅｌ－Ｓｃａｌｅｄ）のスペクトログラムを分析して特徴を抽出することができる。ＭＦＣＣは、音声データを所定時間単位でサンプリングした後、スペクトルを分析して特徴音のベクトル値を抽出することができる。ＴＥＭＰＯＧＲＡＭは、音声信号のローカルテンポ特性を表す中間レベルの特徴を抽出することができる。本実施形態では、制御部１７０は、上述した音声特徴量を抽出する方法のうちの１つ以上をデフォルトで実行するように設定して検証部１４０に出力することができる。検証部１４０は、パーキンソン病予測モデルの精度を検証する際に、上述した音声特徴量を抽出する方法のうちの１つ以上をデフォルトで実行することができる。任意の実施形態では、制御部１７０は、上述した音声特徴量を抽出する方法のうちの１つ以上を選択して検証部１４０に出力することができる。検証部１４０は、選択された音声特徴量を抽出する方法のうちの１つ以上を実行して、パーキンソン病予測モデルの精度を検証することができる。
【0060】
任意の実施形態では、音声データを前処理する条件は、音節処理をさらに含み得る。本実施形態では、音節処理を平均（ｍｅａｎ）処理および連結（ｃｏｎｃａｔ：ｃｏｎｃａｔｅｎａｔｉｏｎ）処理に分類することができる。平均（ｍｅａｎ）処理は、高音で発話した音節および低音で発話した音節の平均を求める処理を含むことができる。連結（ｃｏｎｃａｔ）処理は、高音で発話した音節の後に低音で発話した音節をつなぎ合わせる処理を含むことができる。例えば、複数の異なる第１構文の組み合せのいずれかである"［ｇａｇａｇａｎａｎａｎ］"を連結（ｃｏｎｃａｔ）処理する場合、高音の"［ｇａｇａｇａ］"と低音の"［ｎａｎａｎａ］"をつなぎ合わせた結果であり得る。本実施形態では、制御部１７０は、平均（ｍｅａｎ）処理および連結（ｃｏｎｃａｔ）処理のうちの１つ以上をデフォルトで実行するように設定して検証部１４０に出力することができる。検証部１４０は、パーキンソン病予測モデルの精度を検証する際に、上述した平均（ｍｅａｎ）処理および連結（ｃｏｎｃａｔ）処理のうちの１つ以上をデフォルトで実行することができる。任意の実施形態では、制御部１７０は、平均（ｍｅａｎ）処理および連結（ｃｏｎｃａｔ）処理のうちの１つ以上を選択して検証部１４０に出力することができる。検証部１４０は、選択された平均（ｍｅａｎ）処理および連結（ｃｏｎｃａｔ）処理のうちの１つ以上を実行して、パーキンソン病予測モデルの精度を検証することができる。
【0061】
本実施形態では、検証部１４０は、パーキンソン病予測モデルの精度を検証するために、第１検証～第７検証を実行してもよい。
【0062】
検証部１４０は、音声データを前処理する第１前処理条件および、複数の異なる第１構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第１検証を実行することができる。
【0063】
図６は、第１検証実行のために音声データを前処理する第１条件を表形式で示す図である。図６を参照すると、第１前処理条件は、上述した音声データを前処理する条件のうち、第２音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さ、および話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマット実行する条件を含むことができる。
【0064】
検証部１４０は、音声データを前処理する第２前処理条件および、複数の異なる第２構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第２検証を実行することができる。
【0065】
図９は、第２検証実行のために音声データを前処理する第２条件を表形式で示す図である。図９を参照すると、第２前処理条件は、上述した音声データを前処理する条件のうち、第１音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さ、および話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマット実行する条件を含むことができる。本実施形態では、第２検証は、第１検証と比較する際に音響前処理と構文の組み合せが異なる場合がある。
【0066】
検証部１４０は、音声データを前処理する第３前処理条件および、複数の異なる第３構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第３検証を実行することができる。
【0067】
図１２は、第３検証実行のために音声データを前処理する第３条件を表形式で示す図である。図１２を参照すると、第３前処理条件は、上述した音声データを前処理する条件のうち、第１音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さ、および話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマット実行する条件を含むことができる。本実施形態では、第３検証は、第２検証と比較する際に構文の組み合せが異なる場合がある。
【0068】
検証部１４０は、音声データを前処理する第４前処理条件および、複数の異なる第３構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第４検証を実行することができる。
【0069】
図１５は、第４検証実行のために音声データを前処理する第４条件を表形式で示す図である。図１５を参照すると、第４前処理条件は、上述した音声データを前処理する条件のうち、第１音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さ、および話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマット実行する条件を含むことができる。本実施形態では、第４検証は、第３検証と比較する際に音響前処理が異なる場合がある。
【0070】
検証部１４０は、音声データを前処理する第５前処理条件および、複数の異なる第３構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第５検証を実行することができる。
【0071】
図１８は、第５検証実行のために音声データを前処理する第５条件を表形式で示す図である。図１８を参照すると、第５前処理条件は、上述した音声データを前処理する条件のうち、第１音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さ、および話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥアルゴリズムおよびクラス重み付けアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、外れ値（ｏｕｔｌｉｅｒ）の除去なしを実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマット実行する条件を含むことができる。本実施形態では、第５検証は、第４検証と比較する際に音響前処理、統計的特性、データ不均衡の補完、外れ値（ｏｕｔｌｉｅｒ）の除去が異なる場合がある。
【0072】
検証部１４０は、音声データを前処理する第６前処理条件、複数の異なる第１構文の組み合せ、および複数の異なる第２構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第６検証を実行することができる。
【0073】
図２１は、第６検証実行のために音声データを前処理する第６条件を表形式で示す図である。図２１を参照すると、第６前処理条件は、上述した音声データを前処理する条件のうち、第１音響前処理を実行し、エッジ（ｅｄｇｅ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さおよび話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。本実施形態では、第６検証は、第５検証と比較する際に構文の組み合せ、データパディング、統計的特性、データ不均衡の補完、外れ値（ｏｕｔｌｉｅｒ）の除去が異なる場合がある。
【0074】
検証部１４０は、音声データを前処理する第７前処理条件、複数の異なる第１構文の組み合せ、および複数の異なる第２構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第７検証を実行することができる。
【0075】
図２４は、第７検証実行のために音声データを前処理する第７条件を表形式で示す図である。図２４を参照すると、第７前処理条件は、上述した音声データを前処理する条件のうち、第２音響前処理を実行し、エッジ（ｅｄｇｅ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さおよび話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。本実施形態では、第７検証は、第６検証と比較する際に音響前処理が異なる場合がある。
【0076】
決定部１５０は、検証部１４０から出力されるパーキンソン病予測モデルの精度検証結果から上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。
【0077】
決定部１５０は、検証部１４０から出力される第１検証の結果から、最上位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から１１番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0078】
図７は、第１検証の結果に応じて、それぞれ異なる第１構文の組み合せの精度を上位１位から上位１０位まで示す図である。図７を参照すると、決定部１５０は、最上位（上位１位）にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｋａｋａｋａ］をパーキンソン病予測のための音声データとして決定することができる。
【0079】
図８は、第１検証の結果に応じて、第１前処理条件に含まれる要素の精度平均を比較した結果を示す図である。図８を参照すると、８０１は、それぞれ異なる第１構文の組み合せの精度平均を比較した結果である。８０２は、音声特徴量に対する精度平均を、音声特徴量を抽出する方法別に比較した結果である。８０３は音節処理別の精度平均を比較した結果である。８０４はデータパディングの種類別の精度平均を比較した結果である。
【0080】
決定部１５０は、検証部１４０から出力される第２検証の結果から、最上位にランクされた基本母音セットをパーキンソン病予測のための音声データとして決定することができる。
【0081】
図１０は、第２検証の結果に応じて、それぞれ異なる第２構文の組み合せの精度を上位１位から上位１０位まで示す図である。図１０を参照すると、決定部１５０は、最上位（上位１位）にランクされた第２構文の組み合せのうちの１つである基本母音セット、すなわち［ａｅｉｏｕ］をパーキンソン病予測のための音声データとして決定することができる。
【0082】
図１１は、第２検証の結果に応じて、第２前処理条件に含まれる要素の精度平均を比較した結果を示す図である。図１１を参照すると、１１０１は、それぞれ異なる第２構文の組み合せの精度平均を比較した結果である。１１０２は、音声特徴量に対する精度平均を、音声特徴量を抽出する方法別に比較した結果である。１１０３は音節処理別の精度平均を比較した結果である。１１０４はデータパディングの種類別の精度平均を比較した結果である。
【0083】
決定部１５０は、検証部１４０から出力される第３検証の結果から、最上位にランクされた第３構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じて３番目の子音および８番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0084】
図１３は、第３検証の結果に応じて、それぞれ異なる第３構文の組み合せの精度を上位１位から上位１０位まで示す図である。図１３を参照すると、決定部１５０は、最上位（上位１位）にランクされた第３構文の組み合せの一つである［ｄａｄａｄａａａａ］をパーキンソン病予測のための音声データとして決定することができる。本実施形態において最上位（上位１位）にランクされた［ｄａｄａｄａａａａ］は、第３前処理条件に含まれる音声特徴量の抽出でＭｅｌ－ｓｃａｌｅｄ ｓｐｅｃｔｒｏｇｒａｍ抽出方法が実行され、音節処理で平均（ｍｅａｎ）処理が実行され、データパディングの種類としてゼロ（ｚｅｒｏ）が実行された第３構文の組み合せのうちの１つであり得る。
【0085】
図１４は、第３検証の結果に応じて、第３前処理条件に含まれる要素の精度平均を比較した結果を示す図である。図１４を参照すると、１４０１は、それぞれ異なる第３構文の組み合せの精度平均を比較した結果である。１４０２は、音声特徴量に対する精度平均を、音声特徴量を抽出する方法別に比較した結果である。１４０３は音節処理別の精度平均を比較した結果である。１４０４は、データパディングの種類別の精度平均を比較した結果である。
【0086】
決定部１５０は、検証部１４０から出力される第４検証の結果から、最上位にランクされた第３構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じた８番目の子音および１４番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0087】
図１６は、第４検証の結果に応じて、それぞれ異なる第３構文の組み合せの精度を上位１位から上位１０位まで示す図である。図１６を参照すると、決定部１５０は、最上位（上位１位）にランクされた第３構文の組み合せの一つである［ａａａｈａｈａｈａ］をパーキンソン病予測のための音声データとして決定することができる。本実施形態において最上位（上位１位）にランクされた［ａａａｈａｈａｈａ］は、第４前処理条件に含まれる音声特徴量の抽出でＭｅｌ－ｓｃａｌｅｄ ｓｐｅｃｔｒｏｇｒａｍ抽出方法が実行され、音節処理で平均（ｍｅａｎ）処理が実行され、データパディングの種類としてエッジ（ｅｄｇｅ）が実行された第３構文の組み合せのうちの１つであり得る。
【0088】
図１７は、第４検証の結果に応じて、第４前処理条件に含まれる要素の精度平均を比較した結果を示す図である。図１７を参照すると、１７０１は、それぞれ異なる第３構文の組み合せの精度平均を比較した結果である。１７０２は、音声特徴量に対する精度平均を、音声特徴量を抽出する方法別に比較した結果である。１７０３は音節処理別の精度平均を比較した結果である。１７０４は、データパディングの種類別の精度平均を比較した結果である。
【0089】
決定部１５０は、検証部１４０から出力される第５検証の結果から、最上位にランクされた第３構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じた２番目の子音および７番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0090】
図１９は、第５検証の結果に応じて、それぞれ異なる第３構文の組み合せの精度を上位１位から上位１０位まで示す図である。図１９を参照すると、決定部１５０は、最上位（上位１位）にランクされた第３構文の組み合せの一つである［ｎａｎａｎａｓａｓａｓａ］をパーキンソン病予測のための音声データとして決定することができる。本実施形態において最上位（上位１位）にランクされた［ｎａｎａｎａｓａｓａｓａ］は、第５前処理条件に含まれる音声特徴量の抽出でＭｅｌ－ｓｃａｌｅｄ ｓｐｅｃｔｒｏｇｒａｍ抽出方法が実行され、音節処理で連結（ｃｏｎｃａｔ）処理が実行され、データパディングの種類としてエッジ（ｅｄｇｅ）が実行された第３構文の組み合せのうちの１つであり得る。
【0091】
図２０は、第５検証の結果に応じて、第５前処理条件に含まれる要素の精度平均を比較した結果を示す図である。図２０を参照すると、２００１は、それぞれ異なる第３構文の組み合せの精度平均を比較した結果である。２００２は、音声特徴量に対する精度平均を、音声特徴量を抽出する方法別に比較した結果である。２００３は音節処理別の精度平均を比較した結果である。２００４は、データパディングの種類別の精度平均を比較した結果である。
【0092】
決定部１５０は、検証部１４０から出力される第６検証の結果から、最上位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から９番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0093】
また、決定部１５０は、上位２位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位２位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0094】
また、決定部１５０は、上位３位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位３位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から６番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0095】
また、決定部１５０は、上位４位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位４位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から５番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0096】
図２２は、第６検証の結果に応じて、それぞれ異なる第１構文の組み合せおよびそれぞれ異なる第２構文の組み合せの精度を上位１位から上位１０位まで示す図である。図２２を参照すると、決定部１５０は、最上位（上位１位）にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｊａｊａｊａ］は、パーキンソン病予測のための音声データとして決定できる。
【0097】
また、決定部１５０は、上位２位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、パーキンソン病予測のための音声データとして決定できる。
【0098】
また、決定部１５０は、上位３位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｂａｂａｂａ］をパーキンソン病予測のための音声データとして決定することができる。
【0099】
また、決定部１５０は、上位４位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｍａｍａｍａ］をパーキンソン病予測のための音声データとして決定することができる。
【0100】
図２３は、第６検証の結果に応じて、それぞれ異なる第１構文の組み合せおよびそれぞれ異なる第２構文の組み合せに対する精度平均を比較した結果を示している。
【0101】
決定部１５０は、検証部１４０から出力される第７検証の結果から、最上位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から９番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0102】
また、決定部１５０は、上位２位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位２位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0103】
図２５は、第７検証の結果に応じて、それぞれ異なる第１構文の組み合せおよびそれぞれ異なる第２構文の組み合せの精度を上位１位から上位１０位まで示す図である。図２５を参照すると、決定部１５０は、最上位（上位１位）にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｊａｊａｊａ］は、パーキンソン病予測のための音声データとして決定できる。
【0104】
また、決定部１５０は、上位２位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、パーキンソン病予測のための音声データとして決定できる。
【0105】
図２６は、第７検証の結果に応じて、それぞれ異なる第１構文の組み合せおよびそれぞれ異なる第２構文の組み合せに対する精度平均を比較した結果を示している。
【0106】
取得部１６０は、決定部１５０が決定したパーキンソン病予測のための音声データに対応する発話者の発話結果をパーキンソン病予測モデルに入力し、パーキンソン病予測モデルの出力で発話者に対するパーキンソン病予測結果を取得することができる。
【0107】
制御部１７０は、パーキンソン病予測装置１００全体の動作を制御することができる。制御部１７０は、プロセッサ（ｐｒｏｃｅｓｓｏｒ）などのデータを処理することができるあらゆる種類の装置を含むことができる。ここで、「プロセッサ（ｐｒｏｃｅｓｓｏｒ）」とは、例えば、プログラムに含まれるコードまたは命令で表現された機能を実行するために物理的に構造化された回路を有する、ハードウェアに組み込まれたデータ処理装置を意味することができる。このようにハードウェアに組み込まれたデータ処理装置の一例として、マイクロプロセッサ（ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）、プロセッサコア（ｐｒｏｃｅｓｓｏｒ ｃｏｒｅ）、マルチプロセッサ（ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ）、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などの処理装置を網羅することができるが、本発明の範囲がこれに限定されるものではない。
【0108】
任意の実施形態では、生成部１２０は、性別分類モデルを生成することができる。本実施形態における性別分類モデルは、発話者の発話結果を含む音声データを用いて発話者の性別を分類するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、発話者の性別をラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。
【0109】
生成部１２０は、ラベル付けされた訓練データを用いて初期に設定されたディープニューラルネットワークモデルを指導学習方式で訓練することができる。ここで、初期に設定されたディープニューラルネットワークモデルは、性別分類モデルで構成されるように設計された初期モデルであり、パラメータ値は任意の初期値に設定されている状態である。初期に設定されたディープニューラルネットワークモデルは、上述の訓練データを介して訓練されてパラメータ値が最適化されることによって、発話者の性別を正確に分類できる性別分類モデルに完成することができる。
【0110】
検証部１４０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せに基づいて性別分類モデルの精度を検証することができる。検証部１４０は、性別分類モデルの精度を検証する際に上述した音声データを前処理する条件を適用することができる。
【0111】
決定部１５０は、性別分類モデルの精度を検証した結果から、最上位にランクされた第３構文の組み合せを、性別分類のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じて３番目の子音および８番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0112】
図２７は、性別分類モデルの精度検証の結果に応じて、それぞれ異なる第１構文の組み合せ、それぞれ異なる第２構文の組み合せおよびそれぞれ異なる第３構文の組み合せに対する精度を上位１位から上位１０位まで示す図面である。図２７を参照すると、決定部１５０は、最上位（上位１位）にランク付けされた第３構文の組み合せのうちの１つである［ｄａｄａｄａａａａ］を性別分類のための音声データとして決定することができる。
【0113】
図２８は、性別分類モデルの精度検証の結果に応じて、それぞれ異なる第１構文の組み合せおよびそれぞれ異なる第２構文の組み合せに対する精度平均を比較した結果を示している。
【0114】
取得部１６０は、決定部１５０が決定した音声データに対応する発話者の発話結果を性別分類モデルに入力し、性別分類モデルの出力で発話者に対する性別分類結果を取得することができる。
【0115】
任意の実施形態では、生成部１２０は、構文の性能比較モデルを生成することができる。本実施形態では、構文の性能比較モデルは、発話者の発話結果を含む音声データを用いて音声データに含まれる構文別の性能比較結果を出力するように予め訓練されたディープニューラルネットワークモデルを訓練して生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、構文別の性能比較結果をラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。
【0116】
生成部１２０は、ラベル付けされた訓練データを用いて初期に設定されたディープニューラルネットワークモデルを指導学習方式で訓練することができる。ここで、初期に設定されたディープニューラルネットワークモデルは、構文の性能比較で構成されるように設計された初期モデルであり、パラメータ値は任意の初期値に設定されている状態である。初期に設定されたディープニューラルネットワークモデルは、上述の訓練データを介して訓練されてパラメータ値が最適化されることによって、構文別の性能を正確に比較できる構文の性能比較モデルに完成することができる。
【0117】
検証部１４０は、発話者の発話結果を含む音声データから抽出された所定の構文に基づいて、パーキンソン病予測のための構文の性能比較モデルの精度を検証することができる。検証部１４０は、構文の性能比較モデルの精度を検証する際に上述した音声データを前処理する条件を適用することができる。
【0118】
決定部１５０は、パーキンソン病予測のための構文の性能比較モデルの精度を検証した結果から、上位にランクされた構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。
【0119】
決定部１５０は、パーキンソン病予測のための構文の性能比較モデルの精度を検証した結果から、第１上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第１上位にランクされた第１構文は、子音順序に応じた４番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0120】
また、決定部１５０は、第２上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第２上位にランクされた第１構文は、子音順序に応じた８番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0121】
また、決定部１５０は、第３上位にランクされた基本母音セットを、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。
【0122】
また、決定部１５０は、第４上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第４上位にランクされた第１構文は、子音順序に応じた１１番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0123】
また、決定部１５０は、第５上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第５上位にランクされた第１構文は、子音順序に応じた２番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0124】
また、決定部１５０は、第６上位にランクされた第１構文は、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第６上位にランクされた第１構文は、子音順序に応じた６番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0125】
また、決定部１５０は、第７上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第７上位にランクされた第１構文は、子音順序に応じた１２番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0126】
また、決定部１５０は、第８上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第８上位にランクされた第１構文は、子音順序に応じた１４番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0127】
また、決定部１５０は、第９上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第９上位にランクされた第１構文は、子音順序に応じた１３番目の子音を所定の母音と組み合わせて生成した第１音節と、１２番目の子音を所定の母音と組み合わせて生成した第１音節と１１番目の詩音を所定の母音と組み合わせて生成した第１音節とを組み合わせたものである。
【0128】
また、決定部１５０は、第１０上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第１０上位にランクされた第１構文は、子音順序に応じた５番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0129】
図２９は、構文の性能比較モデルの精度検証の結果に応じて、複数の異なる第１構文の精度を上位１位から上位１０位まで示す図である。図２９を参照すると、決定部１５０は、第１位にランクされた第１構文のうちの１つである［ｒａｒａｒａ］を構文の性能比較のための音声データとして決定することができる。決定部１５０は、第２位にランクされた第１構文のうちの１つである［ａａａ］を、構文の性能比較のための音声データとして決定することができる。決定部１５０は、第３位にランクされた基本母音セットである［ａｅｉｏｕ］を、構文の性能比較のための音声データとして決定することができる。決定部１５０は、第４位にランクされた第１構文のうちの１つである［ｋａｋａｋａ］を、構文の性能比較のための音声データとして決定することができる。決定部１５０は、第５位にランクされた第１構文の一つである［ｎａｎａｎａ］を構文の性能比較のための音声データとして決定することができる。決定部１５０は、第６位にランクされた第１構文のうちの１つである［ｂａｂａｂａ］を、構文の性能比較のための音声データとして決定することができる。決定部１５０は、第７位にランクされた第１構文のうちの１つである［ｔａｔａｔａ］を、構文の性能比較のための音声データとして決定することができる。決定部１５０は、第８位にランクされた第１構文のうちの１つである［ｈａｈａｈａ］を、構文の性能比較のための音声データとして決定することができる。決定部１５０は、第９位にランクされた第１構文のうちの１つである［ｐａｔａｋａ］を、構文の性能比較のための音声データとして決定することができる。決定部１５０は、第１０位にランクされた第１構文のうちの１つである［ｍａｍａｍａ］を、構文の性能比較のための音声データとして決定することができる。
【0130】
図３０は、構文の性能比較モデルの精度検証の結果に応じて、それぞれ異なる第１構文および基本母音セットに対する精度平均を比較した結果を示している。
【0131】
取得部１６０は、決定部１５０が決定した音声データに対応する発話者の発話結果を構文の性能比較モデルに入力し、構文の性能比較モデルの出力で発話者に対するパーキンソン病予測のための構文の性能比較結果を取得することができる。
【0132】
任意の実施形態では、生成部１２０は、第１パーキンソン病精度分類モデルを生成することができる。本実施形態における第１パーキンソン病精度分類モデルは、発話者の発話結果を含む音声データを用いて発話者のパーキンソン病の精度を分類するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、第１クラスおよび第２クラスのうちの１つ以上と第３クラスをラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。本実施形態における第１クラスは、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症の中で最上位の精度を有する疾患を含むことができる。第２クラスは、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症のうち、上位２位の精度を有する疾患を含み得る。第３クラスは、第１クラスまたは第２クラスを除いた残りのパーキンソン病関連疾患を含み得る。
【0133】
生成部１２０は、ラベル付けされた訓練データを用いて初期に設定されたディープニューラルネットワークモデルを指導学習方式で訓練することができる。ここで、初期に設定されたディープニューラルネットワークモデルは、第１パーキンソン病精度分類モデルで構成されるように設計された初期モデルであり、パラメータ値は任意の初期値に設定されている状態である。初期に設定されたディープニューラルネットワークモデルは、上述の訓練データを介して訓練されてパラメータ値が最適化されることによって、パーキンソン病の精度を正確に分類できる第１パーキンソン病の精度分類モデルに完成することができる。
【0134】
検証部１４０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せに基づいて、第１パーキンソン病精度分類モデルの精度を検証することができる。検証部１４０は、第１パーキンソン病精度分類モデルの精度を検証する際に上述した音声データを前処理する条件を適用することができる。
【0135】
決定部１５０は、検証部１４０から出力される第１パーキンソン病精度分類モデルの精度検証結果から、上位にランクされた構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。
【0136】
決定部１５０は、検証部１４０から出力される第１パーキンソン病精度分類モデルの精度検証結果から、最上位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで最上位にランクされた第３構文の組み合せは、第１クラスとしての小脳萎縮症および小脳萎縮症を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、最上位にランクされた第３構文の組み合せは、子音順序に応じた３番目の子音および８番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0137】
また、決定部１５０は、上位２位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで、上位２位にランクされた第３構文の組み合せは、第１クラスとしての正常および正常を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、上位２位にランクされた第３構文の組み合せは、子音順序に応じた８番目の子音および１４番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0138】
また、決定部１５０は、上位３位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで上位３位にランクされた第３構文の組み合せは、第１クラスとしての多系統萎縮症および多系統萎縮症を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、上位３位にランクされた第３構文の組み合せは、子音順序に応じた２番目の子音および７番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0139】
また、決定部１５０は、上位４位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで上位４位にランクされた第３構文の組み合せは、第１クラスとしてのパーキンソン病およびパーキンソン病を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、上位４位にランクされた第３構文の組み合せは、子音順序に応じた８番目の子音および１４番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0140】
図３１は、第１パーキンソン病精度分類モデルの精度検証の結果に応じて、それぞれ異なる第１構文の組み合せ、それぞれ異なる第２構文の組み合せおよびそれぞれ異なる第３構文の組み合せに対する精度を上位１から上位１０位まで示す図である。
【0141】
図３１を参照すると、決定部１５０は、第１位にランクされた第３構文の組み合せのうちの１つである［ｄａｄａｄａａａａ］を、第１パーキンソン病精度分類のための音声データとして決定することができる。ここで、第１位にランクされた［ｄａｄａｄａａａａ］は、第１クラスとしての小脳萎縮症（Ｄ）と、第３クラスとしての小脳萎縮症を除いた残りのパーキンソン病関連疾患（Ｘ）である正常、パーキンソン病、小脳萎縮症を最も高い精度で区別できる構文の組み合せであり得る。
【0142】
また、決定部１５０は、第２位にランクされた第３構文の組み合せの一つである［ａａａｈａｈａｈａ］を第１パーキンソン病精度分類のための音声データとして決定することができる。ここで、第２位にランクされた［ａａａｈａｈａｈａ］は、第１クラスとしての正常（Ａ）と、第３クラスとしての正常を除いた残りのパーキンソン病関連疾患（Ｘ）であるパーキンソン病、多系統萎縮症、小脳萎縮症を最も高い精度で区別できる構文の組み合せであり得る。
【0143】
また、決定部１５０は、第３位にランクされた第３構文の組み合せの一つである［ｎａｎａｎａｓａｓａｓａ］を第１パーキンソン病精度分類のための音声データとして決定することができる。ここで、第３位にランクされた［ｎａｎａｎａｓａｓａｓａ］は、第１クラスとしての多系統萎縮症（Ｃ）と、第３クラスとしての多系統萎縮症を除いた残りのパーキンソン病関連疾患（Ｘ）である正常、パーキンソン病、小脳萎縮症を最も高い精度で区別できる構文の組み合せであり得る。
【0144】
また、決定部１５０は、第４位にランクされた第３構文の組み合せの一つである［ａａａｈａｈａｈａ］を第１パーキンソン病精度分類のための音声データとして決定することができる。ここで、第３位にランクされた［ａａａｈａｈａｈａ］は、第１クラスとしてのパーキンソン病（Ｂ）と、第３クラスとしてのパーキンソン病を除いた残りのパーキンソン病関連疾患（Ｘ）である正常、多系統萎縮症、小脳萎縮症を最も高い精度で区別できる構文の組み合せであり得る。
【0145】
取得部１６０は、決定部１５０が決定した音声データに対応する発話者の発話結果を第１パーキンソン病精度分類モデルに入力し、パーキンソン病精度分類モデルの出力で発話者に対する第１パーキンソン病精度分類結果を取得ことができる。
【0146】
任意の実施形態では、生成部１２０は、第２パーキンソン病精度分類モデルを生成することができる。本実施形態における第２パーキンソン病精度分類モデルは、発話者の発話結果を含む音声データを用いて発話者のパーキンソン病の精度を分類するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、第４クラス、第５クラス、および第６クラスのうちの２つ以上をラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。本実施形態における第４クラスは、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症の中で最上位の精度を有する疾患を含むことができる。第５クラスは、第４クラスを除いた残り３つのパーキンソン病関連疾患のうちより高い精度を有する疾患を含み得る。第６クラスは、第４クラスおよび第５クラスを除いた残り２つのパーキンソン病関連疾患のうち最上位の精度を有する疾患を含み得る。
【0147】
生成部１２０は、ラベル付けされた訓練データを用いて初期に設定されたディープニューラルネットワークモデルを指導学習方式で訓練することができる。ここで、初期に設定されたディープニューラルネットワークモデルは、第２パーキンソン病精度分類モデルで構成されるように設計された初期モデルであり、パラメータ値は任意の初期値に設定されている状態である。初期に設定されたディープニューラルネットワークモデルは、上述の訓練データを介して訓練されてパラメータ値が最適化されることによって、パーキンソン病の精度を正確に分類できる第２パーキンソン病の精度分類モデルに完成することができる。
【0148】
検証部１４０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せに基づいて、第２パーキンソン病精度分類モデルの精度を検証することができる。検証部１４０は、第２パーキンソン病精度分類モデルの精度を検証する際に上述した音声データを前処理する条件を適用することができる。
【0149】
決定部１５０は、第２パーキンソン病精度分類モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。
【0150】
決定部１５０は、第２パーキンソン病精度分類モデルの精度を検証した結果から、第１上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第１上位にランクされた第１構文の組み合せは、第４クラスとしての正常および第５クラスとしての小脳萎縮症に対応することができる。また、第１上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0151】
また、決定部１５０は、第２上位にランクされた第１構文の組み合せをパーキンソン病の精度を分類する音声データとして決定することができる。ここで第２上位にランクされた第１構文の組み合せは、第４クラスとしての正常および第５クラスとしての多系統萎縮症に対応することができる。また、第２上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0152】
また、決定部１５０は、第３上位にランクされた第１構文の組み合せを、パーキンソン病の精度を分類する音声データとして決定することができる。ここで第３上位にランクされた第１構文の組み合せは、第４クラスとしての多系統萎縮症および第５クラスとしての小脳萎縮症に対応することができる。また、第３上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0153】
また、決定部１５０は、第４上位にランクされた第１構文の組み合せを、パーキンソン病の精度を分類する音声データとして決定することができる。ここで第４位にランクされた第１構文の組み合せは、第４クラスとしてのパーキンソン病および第５クラスとしての小脳萎縮症に対応することができる。また、第４上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0154】
また、決定部１５０は、第５上位にランクされた第１構文の組み合せを、パーキンソン病の精度を分類する音声データとして決定することができる。ここで第５上位にランクされた第１構文の組み合せは、第４クラスとしての正常、第５クラスとしての多系統萎縮症および第６クラスとしての小脳萎縮症に対応することができる。また、第５上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0155】
また、決定部１５０は、第６上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第６上位にランクされた第１構文の組み合せは、第４クラスとしての正常および第５クラスとしてのパーキンソン病に対応することができる。また、第６上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から９番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0156】
また、決定部１５０は、第７上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第７上位にランクされた第１構文の組み合せは、第４クラスとしての正常、第５クラスとしてのパーキンソン病および第６クラスとしての小脳萎縮症に対応することができる。また、第７上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0157】
また、決定部１５０は、第８上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第８位にランクされた第１構文の組み合せは、第４クラスとしてのパーキンソン病および第５クラスとしての多系統萎縮症に対応することができる。また、第８上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から９番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0158】
また、決定部１５０は、第９上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第９上位にランクされた第１構文の組み合せは、第４クラスとしての正常、第５クラスとしてのパーキンソン病および第６クラスとしての多系統萎縮症に対応することができる。また、第９上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて第１音節を生成し、第１音節を予め設定された数の回数繰り返したものであってもよい。
【0159】
また、決定部１５０は、第１０上位にランクされた第１構文の組み合せを、パーキンソン病の精度を分類する音声データとして決定することができる。ここで第１０上位にランクされた構文の組み合せは、第４クラスとしてのパーキンソン病、第５クラスとしての多系統萎縮症および第６クラスとしての小脳萎縮症に対応することができる。また、第１０上位にランクされた構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0160】
図３２は、第２パーキンソン病精度分類モデルの精度検証の結果に応じて、それぞれ異なる第１構文の組み合せ、それぞれ異なる第２構文の組み合せおよびそれぞれ異なる第３構文の組み合せに対する精度を上位１位から上位１０位まで示す図面である。
【0161】
図３２を参照すると、決定部１５０は、第１位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第１位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第４クラスとしての正常（Ａ）と、第５クラスとしての小脳萎縮症（Ｄ）を最も高い精度で区別できる構文の組み合せであり得る。
【0162】
また、決定部１５０は、第２位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第２位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］、第４クラスとしての正常（Ａ）と、第５クラスとしての多系統萎縮症（Ｃ）を最も高い精度で区別できる構文の組み合せであり得る。
【0163】
また、決定部１５０は、第３位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第３位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第４クラスとしての多系統萎縮症（Ｃ）と、第５クラスとしての小脳萎縮症（Ｄ）を最も高い精度で区別できる構文の組み合せであり得る。
【0164】
また、決定部１５０は、第４位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第４位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第４クラスとしてのパーキンソン病（Ｂ）と、第５クラスとしての小脳萎縮症（Ｄ）を最も高い精度で区別できる構文の組み合せであり得る。
【0165】
また、決定部１５０は、第５位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第５位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第４クラスとしての正常（Ａ）と、第５クラスとしての多系統萎縮症（Ｃ）と、第６クラスとしての小脳萎縮症（Ｄ）を最も高い精度で区別できる構文の組み合せであり得る。
【0166】
また、決定部１５０は、第６位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｊａｊａｊａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第６位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｊａｊａｊａ］は、第４クラスとしての正常（Ａ）と、第５クラスとしてのパーキンソン病（Ｂ）を最も高い精度で区別できる構文の組み合せであり得る。
【0167】
また、決定部１５０は、第７位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第７位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第４クラスとしての正常（Ａ）と、第５クラスとしてのパーキンソン病（Ｂ）と、第６クラスとしての小脳萎縮症（Ｄ）を最も高い精度で区別できる構文の組み合せであり得る。
【0168】
また、決定部１５０は、第８位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｊａｊａｊａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第８位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｊａｊａｊａ］は、第４クラスとしてのパーキンソン病（Ｂ）と、第５クラスとしての多系統萎縮症（Ｃ）を最も高い精度で区別できる構文の組み合せであり得る。
【0169】
また、決定部１５０は、第９位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第９位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第４クラスとしての正常（Ａ）と、第５クラスとしてのパーキンソン病（Ｂ）と、第６クラスとしての多系統萎縮症（Ｃ）を最も高い精度で区別できる構文の組み合せであり得る。
【0170】
また、決定部１５０は、第１０位にランクされた第１構文の組み合せの一つである［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第２パーキンソン病精度分類のための音声データとして決定できる。ここで、第１０位にランクされた［ｇａｇａｇａｎａｎａｎａ...ｓａｓａｓａ］は、第４クラスとしてのパーキンソン病（Ｂ）と、第５クラスとしての多系統萎縮症（Ｃ）と、第６クラスとしての小脳萎縮症（Ｄ）を最も高い精度で区別できる構文の組み合せであり得る。
【0171】
取得部１６０は、決定部１５０が決定した音声データに対応する発話者の発話結果を第２パーキンソン病精度分類モデルに入力し、第２パーキンソン病精度分類モデルの出力で発話者に対するパーキンソン病精度分類結果を取得ことができる。
【0172】
図３３は、他の実施形態に係るパーキンソン病予測装置の構成を概略的に説明するために示すブロック図である。以下の説明において図１～図３２の説明と重複する部分はその説明を省略する。図３３を参照すると、他の実施形態に係るパーキンソン病予測装置１００は、プロセッサ１８０とメモリ１９０とを含むことができる。
【0173】
本実施形態において、プロセッサ１８０は、図１に開示された収集部１１０、生成部１２０、抽出部１３０、検証部１４０、決定部１５０、取得部１６０、および制御部１７０が実行する機能を処理することができる。
【0174】
そのようなプロセッサ１８０は、パーキンソン病予測装置１００全体の動作を制御することができる。ここで、「プロセッサ（ｐｒｏｃｅｓｓｏｒ）」とは、例えば、プログラムに含まれるコードまたは命令で表現された機能を実行するために物理的に構造化された回路を有する、ハードウェアに組み込まれたデータ処理装置を意味することができる。このようにハードウェアに組み込まれたデータ処理装置の一例として、マイクロプロセッサ、中央処理装置、プロセッサコア、マルチプロセッサ、ＡＳＩＣ、ＦＰＧＡなどの処理装置を網羅することができるが、本発明の範囲がこれに限定されるものではない。
【0175】
メモリ１９０はプロセッサ１８０と動作可能に連結され、プロセッサ１８０で実行される動作に関連して少なくとも１つのコードを保存することができる。
【0176】
さらに、メモリ１９０は、プロセッサ１８０が処理するデータを一時的または恒久的に記憶する機能を実行することができる。ここで、メモリ１９０は磁気記録媒体またはフラッシュメモリを含むことができるが、本発明の範囲はこれに限定されない。そのようなメモリ１９０は、内蔵メモリおよび／または外部メモリを含むことができ、ＤＲＡＭ、ＳＲＡＭ、またはＳＤＲＡＭなどの揮発性メモリ、ＯＴＰＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、マスクＲＯＭ、フラッシュＲＯＭ、ＮＡＮＤ型フラッシュメモリ、またはＮＯＲ型フラッシュメモリなどの不揮発性メモリ、ＳＳＤ、ＣＦカード、ＳＤカード、Ｍｉｃｒｏ－ＳＤカード、Ｍｉｎｉ－ＳＤカード、ｘＤカード、またはメモリースティックなどのフラッシュドライブ、またはＨＤＤなどの記憶装置を含むことができる。
【0177】
図３４は、本実施形態に係るパーキンソン病予測方法を説明するためのフローチャートである。以下の説明において、図１～図３３の説明と重複する部分はその説明を省略する。本実施形態に係るパーキンソン病予測方法は、パーキンソン病予測装置１００が周辺構成要素の助けを借りてプロセッサ１８０で実行すると仮定して説明する。
【0178】
図３４を参照すると、ステップＳ３４１０において、プロセッサ１８０は、発話者の発話結果を含む音声データから構文の組み合せを抽出することができる。
【0179】
プロセッサ１８０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、または複数の異なる第３構文の組み合せを含む構文の組み合せを抽出することができる。複数の異なる第１構文の組み合せは、音声データから、所定の子音と所定の母音とを組み合わせた少なくとも１つの第１音節から構成することができる。複数の異なる第１構文の組み合せに含まれる所定の子音は、語文規則に従った子音順序で所定の母音と組み合わせられ、複数の異なる第１構文の組み合せに含まれる所定の母音は、いずれかの単一母音として決定されてもよい。音声データから、子音順序に応じたｎ番目の子音からｎ＋ｋ番目の子音を所定の母音と組み合わせて第１音節を生成し、第１音節を予め設定された数の回数繰り返して第１構文の組み合せとして抽出し、ｎは自然数を含み、ｋは０および自然数を含み得る。複数の異なる第２構文の組み合せは、基本母音セットと、所定の双子音および所定の母音を組み合わせた第２音節と、第１構文の組み合せのうちの１つ以上が組み合わせられた構成であってもよい。複数の異なる第３構文の組み合せは、任意の子音と任意の母音とを組み合わせた少なくとも１つの第３音節と、複数の異なる第２構文の組み合せに含まれるいずれかの構文の組み合せを含むことができる。
【0180】
本実施形態では、プロセッサ１８０は、構文の組み合せを抽出する前にパーキンソン病予測モデルを生成することができる。本実施形態におけるパーキンソン病予測モデルは、発話者の発話結果を含む音声データを用いて発話者に対するパーキンソン病を予測するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発火結果を含む音声データを入力とし、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症のうちの１つをラベルとする訓練データにより指導学習方式で訓練されたモデルであってもよい。
【0181】
ステップＳ３４２０で、プロセッサ１８０は、音声データを前処理する条件および構文の組み合せを変更して、パーキンソン病予測モデルの精度を検証することができる。
【0182】
プロセッサ１８０は、音声データを前処理する第１前処理条件および、複数の異なる第１構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第１検証を実行することができる。本実施形態において、第１前処理条件は、第２音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さおよび話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。
【0183】
プロセッサ１８０は、音声データを前処理する第２前処理条件および、複数の異なる第２構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第２検証を実行することができる。本実施形態において、第２前処理条件は、第１音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さおよび話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。
【0184】
プロセッサ１８０は、音声データを前処理する第３前処理条件および、複数の異なる第３構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第３検証を実行することができる。本実施形態において、第３前処理条件は、第１音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さおよび話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。
【0185】
プロセッサ１８０は、音声データを前処理する第４前処理条件および、複数の異なる第４構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第４検証を実行することができる。本実施形態において、第４前処理条件は、第２音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さおよび話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。
【0186】
プロセッサ１８０は、音声データを前処理する第５前処理条件および、複数の異なる第３構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第５検証を実行することができる。本実施形態において、第５前処理条件は、第１音響前処理を実行し、エッジ（ｅｄｇｅ）、リピート（ｒｅｐｅａｔ）、タイル（ｔｉｌｅ）およびゼロ（ｚｅｒｏ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さおよび話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥアルゴリズムおよびクラス重み付けアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、外れ値（ｏｕｔｌｉｅｒ）の除去なしを実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。
【0187】
プロセッサ１８０は、音声データを前処理する第６前処理条件、複数の異なる第１構文の組み合せ、および複数の異なる第２構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第６検証を実行することができる。本実施形態では、第６前処理条件は、第１音響前処理を実行し、エッジ（ｅｄｇｅ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さ、および話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。
【0188】
プロセッサ１８０は、音声データを前処理する第７前処理条件、複数の異なる第１構文の組み合せ、および複数の異なる第２構文の組み合せに基づいてパーキンソン病予測モデルの精度を検証する第７検証を実行することができる。本実施形態では、第７前処理条件は、第２音響前処理を実行し、エッジ（ｅｄｇｅ）を含むデータパディングを実行し、性別、音量、サイズ、最大振幅、長さ、および話者別の平均構文の長さを含む統計的特性を実行し、学習セット：検証セット：テストセットが６４：１６：２０に分割されるデータ分割を実行し、ＳＭＯＴＥ－ＮＣアルゴリズムを含むデータ不均衡の補完を実行し、標準化を含むスケーリングを実行し、分離フォレストを含む外れ値（ｏｕｔｌｉｅｒ）の除去を実行し、ｆｌｏａｔ６４を含む浮動小数点フォーマットを実行する条件を含むことができる。
【0189】
ステップＳ３４３０で、プロセッサ１８０は、パーキンソン病予測モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。
【0190】
プロセッサ１８０は、パーキンソン病予測モデルの精度に対する第１検証の結果から、最上位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から１１番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。
【0191】
プロセッサ１８０は、パーキンソン病予測モデルの精度に対する第２検証の結果から、最上位にランクされた基本母音セットをパーキンソン病予測のための音声データとして決定することができる。
【0192】
プロセッサ１８０は、パーキンソン病予測モデルの精度に対する第３検証の結果から、最上位にランクされた第３構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じて３番目の子音および８番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0193】
プロセッサ１８０は、パーキンソン病予測モデルの精度に対する第４検証の結果から、最上位にランクされた第３構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じた８番目の子音および１４番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0194】
プロセッサ１８０は、パーキンソン病予測モデルの精度に対する第５検証の結果から、最上位にランクされた第３構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じた２番目の子音および７番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。
【0195】
プロセッサ１８０は、パーキンソン病予測モデルの精度に対する第６検証の結果から、最上位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から９番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、上位２位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位２位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、上位３位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位３位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から６番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、上位４位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位４位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から５番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0196】
プロセッサ１８０は、パーキンソン病予測モデルの精度に対する第７検証の結果から、最上位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、最上位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から９番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、上位２位にランクされた第１構文の組み合せをパーキンソン病予測のための音声データとして決定することができる。ここで、上位２位にランクされた第１構文の組み合せは、子音順序に応じた１番目の子音から７番目の子音を所定の母音と組み合わせて生成した複数の異なる第１音節を予め設定された数の回数繰り返したものであってもよい。
【0197】
ステップＳ３４４０で、プロセッサ１８０はパーキンソン病予測のための音声データに対応する発話者の発話結果をパーキンソン病予測モデルに入力し、パーキンソン病予測モデルの出力で発話者に対するパーキンソン病予測結果を取得することができる。
【0198】
任意の実施形態では、プロセッサ１８０は性別分類モデルを生成することができる。本実施形態における性別分類モデルは、発話者の発話結果を含む音声データを用いて発話者の性別を分類するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、発話者の性別をラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。プロセッサ１８０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せに基づいて性別分類モデルの精度を検証することができる。プロセッサ１８０は、性別分類モデルの精度を検証した結果から、最上位にランクされた第３構文の組み合せを、性別分類のための音声データとして決定することができる。ここで、最上位にランクされた第３構文の組み合せは、子音順序に応じて３番目の子音および８番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、決定された音声データに対応する発話者の発話結果を性別分類モデルに入力し、性別分類モデルの出力で発話者に対する性別分類結果を取得することができる。
【0199】
任意の実施形態では、プロセッサ１８０は、構文の性能比較モデルを生成することができる。本実施形態では、構文の性能比較モデルは、発話者の発話結果を含む音声データを用いて音声データに含まれる構文別の性能比較結果を出力するように予め訓練されたディープニューラルネットワークモデルを訓練して生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、構文別の性能比較結果をラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。プロセッサ１８０は、発話者の発話結果を含む音声データから抽出された所定の構文に基づいて、パーキンソン病予測のための構文の性能比較モデルの精度を検証することができる。プロセッサ１８０は、パーキンソン病予測のための構文の性能比較モデルの精度を検証した結果から、上位にランクされた構文をパーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。プロセッサ１８０は、パーキンソン病予測のための構文の性能比較モデルの精度を検証した結果から、第１上位にランクされた第１構文をパーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第１上位にランクされた第１構文は、子音順序に応じた４番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第２上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第２上位にランクされた第１構文は、子音順序に応じた８番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第３上位にランクされた基本母音セットを、パーキンソン病予測のための構文の性能比較のための音声データとして決定することができる。プロセッサ１８０は、第４上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第４上位にランクされた第１構文は、子音順序に応じた１１番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第５上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第５上位にランクされた第１構文は、子音順序に応じた２番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第６上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第６上位にランクされた第１構文は、子音順序に応じた６番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第７上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第７上位にランクされた第１構文は、子音順序に応じた１２番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第８上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第８上位にランクされた第１構文は、子音順序に応じた１４番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第９上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第９上位にランクされた第１構文は、子音順序に応じた１３番目の子音を所定の母音と組み合わせて生成した第１音節と、１２番目の子音を所定の母音と組み合わせて生成した第１音節と１１番目の詩音を所定の母音と組み合わせて生成した第１音節とを組み合わせたものであってもよい。プロセッサ１８０は、第１０上位にランクされた第１構文を、パーキンソン病予測のための構文の性能比較に向けた音声データとして決定することができる。ここで、第１０上位にランクされた第１構文は、子音順序に応じた５番目の子音および所定の母音を組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、決定された音声データに対応する発話者の発話結果を構文の性能比較モデルに入力し、構文の性能比較モデルの出力で発話者に対するパーキンソン病予測のための構文の性能比較結果を取得することができる。
【0200】
任意の実施形態では、プロセッサ１８０は、第１パーキンソン病精度分類モデルを生成することができる。本実施形態における第１パーキンソン病精度分類モデルは、発話者の発話結果を含む音声データを用いて発話者のパーキンソン病の精度を分類するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、第１クラスおよび第２クラスのうちの１つ以上と第３クラスをラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。本実施形態における第１クラスは、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症の中で最上位の精度を有する疾患を含むことができる。第２クラスは、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症のうち、上位２位の精度を有する疾患を含み得る。第３クラスは、第１クラスまたは第２クラスを除いた残りのパーキンソン病関連疾患を含み得る。プロセッサ１８０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せに基づいて、第１パーキンソン病精度分類モデルの精度を検証することができる。プロセッサ１８０は、第１パーキンソン病精度分類モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。プロセッサ１８０は、第１パーキンソン病精度分類モデルの精度を検証した結果から、最上位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで最上位にランクされた第３構文の組み合せは、第１クラスとしての小脳萎縮症および小脳萎縮症を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、最上位にランクされた第３構文の組み合せは、子音順序に応じた３番目の子音および８番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、上位２位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで、上位２位にランクされた第３構文の組み合せは、第１クラスとしての正常および正常を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、上位２位にランクされた第３構文の組み合せは、子音順序に応じた８番目の子音および１４番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、上位３位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで上位３位にランクされた第３構文の組み合せは、第１クラスとしての多系統萎縮症および多系統萎縮症を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、上位３位にランクされた第３構文の組み合せは、子音順序に応じた２番目の子音および７番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、上位４位にランクされた第３構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで上位４位にランクされた第３構文の組み合せは、第１クラスとしてのパーキンソン病およびパーキンソン病を除いた残りのパーキンソン病関連疾患を含む第３クラスに対応することができる。また、上位４位にランクされた第３構文の組み合せは、子音順序に応じた８番目の子音および１４番目の子音を所定の母音と組み合わせて生成したそれぞれ異なる第３音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、決定された音声データに対応する発話者の発話結果を第１パーキンソン病精度分類モデルに入力し、パーキンソン病精度分類モデルの出力で発話者に対する第１パーキンソン病精度分類結果を取得ことができる。
【0201】
任意の実施形態では、プロセッサ１８０は、第２パーキンソン病精度分類モデルを生成することができる。本実施形態における第２パーキンソン病精度分類モデルは、発話者の発話結果を含む音声データを用いて発話者のパーキンソン病の精度を分類するように予め訓練されたディープニューラルネットワークモデルを訓練することによって生成することができる。ここで、ディープニューラルネットワークモデルは、発話者の発話結果を含む音声データを入力とし、第４クラス、第５クラス、および第６クラスのうちの２つ以上をラベルとする訓練データによって指導学習方式で訓練されたモデルであってもよい。本実施形態における第４クラスは、パーキンソン病関連疾患に含まれる正常、パーキンソン病、多系統萎縮症および小脳萎縮症の中で最上位の精度を有する疾患を含むことができる。第５クラスは、第４クラスを除いた残り３つのパーキンソン病関連疾患のうちより高い精度を有する疾患を含み得る。第６クラスは、第４クラスおよび第５クラスを除いた残り２つのパーキンソン病関連疾患のうち最上位の精度を有する疾患を含み得る。プロセッサ１８０は、複数の異なる第１構文の組み合せ、複数の異なる第２構文の組み合せ、および複数の異なる第３構文の組み合せに基づいて、第２パーキンソン病精度分類モデルの精度を検証することができる。プロセッサ１８０は、第２パーキンソン病精度分類モデルの精度を検証した結果から、上位にランクされた構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。プロセッサ１８０は、第２パーキンソン病精度分類モデルの精度を検証した結果から、第１上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第１上位にランクされた第１構文の組み合せは、第４クラスとしての正常および第５クラスとしての小脳萎縮症に対応することができる。また、第１上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第２上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第２上位にランクされた第１構文の組み合せは、第４クラスとしての正常および第５クラスとしての多系統萎縮症に対応することができる。また、第２上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第３上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第３上位にランクされた第１構文の組み合せは、第４クラスとしての多系統萎縮症および第５クラスとしての小脳萎縮症に対応することができる。また、第３上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第４上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第４位にランクされた第１構文の組み合せは、第４クラスとしてのパーキンソン病および第５クラスとしての小脳萎縮症に対応することができる。また、第４上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第５上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第５上位にランクされた第１構文の組み合せは、第４クラスとしての正常、第５クラスとしての多系統萎縮症および第６クラスとしての小脳萎縮症に対応することができる。また、第５上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第６上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第６上位にランクされた第１構文の組み合せは、第４クラスとしての正常および第５クラスとしてのパーキンソン病に対応することができる。また、第６上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から９番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第７上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第７上位にランクされた第１構文の組み合せは、第４クラスとしての正常、第５クラスとしてのパーキンソン病および第６クラスとしての小脳萎縮症に対応することができる。また、第７上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第８上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第８位にランクされた第１構文の組み合せは、第４クラスとしてのパーキンソン病および第５クラスとしての多系統萎縮症に対応することができる。また、第８上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から９番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第９上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第９上位にランクされた第１構文の組み合せは、第４クラスとしての正常、第５クラスとしてのパーキンソン病および第６クラスとしての多系統萎縮症に対応することができる。また、第９上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、第１０上位にランクされた第１構文の組み合せをパーキンソン病に対する精度を分類する音声データとして決定することができる。ここで第１０上位にランクされた第１構文の組み合せは、第４クラスとしてのパーキンソン病、第５クラスとしての多系統萎縮症および第６クラスとしての小脳萎縮症に対応することができる。また、第１０上位にランクされた第１構文の組み合せは、子音順序に応じて１番目の子音から７番目の子音を所定の母音と組み合わせて生成した第１音節を予め設定された数の回数繰り返したものであってもよい。プロセッサ１８０は、決定部１５０が決定した音声データに対応する発話者の発話結果を第２パーキンソン病精度分類モデルに入力し、第２パーキンソン病精度分類モデルの出力で発話者に対するパーキンソン病精度分類結果を取得ことができる。
【0202】
上述した本発明による実施形態は、コンピュータ上で様々な構成要素を介して実行することができるコンピュータプログラムの形態で実施することができ、そのようなコンピュータプログラムはコンピュータで読み取り可能な媒体に記録することができる。 このとき、媒体は、ハードディスク、フロッピーディスク、および磁気テープなどの磁気媒体、ＣＤ－ＲＯＭおよびＤＶＤなどの光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）などの光磁気記録媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉｕｍ）および、ＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を記憶して実行するように特別に構成されたハードウェア装置を含むことができる。
【0203】
一方、前記コンピュータプログラムは、本発明のために特別に設計され構成されたものであってもよく、コンピュータソフトウェア分野の当業者に公知で利用可能なものであってもよい。 コンピュータプログラムの例には、コンパイラによって作成されるような機械語コードだけでなく、インタプリタなどを使用してコンピュータによって実行することができる高水準言語コードも含まれ得る。
【0204】
本発明の明細書（特に、特許請求の範囲において）における用語「前記」および同様の指示用語の使用は、単数および複数の両方に対応するものであり得る。また、本発明において範囲（ｒａｎｇｅ）を記載した場合、前記範囲に属する個別の値を適用した発明を含むものとして（これに反する記載がない場合）、発明の詳細な説明に前記範囲を構成する各個別の値を記載したものと同じである。
【0205】
本発明による方法を構成するステップについて明らかに順序を記載または反対する記載がなければ、前記ステップは適切な順序で行われてもよい。必ずしも前記ステップの記載順序によって本発明が限定されるわけではない。本発明におけるすべての例または例示的な用語（例えば、等）の使用は、単に本発明を詳細に説明するためのものであり、特許請求の範囲によって限定されない限り、前記例または例示的な用語によって本発明の範囲が限定されるわけではない。さらに、当業者は、様々な修正、組み合わせ、および変更が追加された特許請求の範囲またはその均等物の範囲内で設計条件および要因に従って構成され得ることと理解するであろう。
【0206】
したがって、本発明の精神は、前記説明した実施形態に限定されてはならず、後述する特許請求の範囲だけでなく、この特許請求の範囲と均等またはそれから等価的に変更された全ての範囲は、本発明の精神の範囲に属するというだろう。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】
