Applying Machine Learning Methods to Aphasic Data

Abstract

Afasia on aivoperäinen puheen tuottamis- ja ymmärtämishäiriö, jonka seurauksena potilas on menettänyt joko kokonaan tai osittain kykynsä lukea, kirjoittaa, puhua tai ymmärtää puhuttua kieltä. Afasiapotilaiden kiellellistä kykyä testataan usein afasiatesteillä. Afasiatestit koostuvat osatesteistä, jotka mittaavat potilaiden suoriutumista kielellisen toiminnan eri osa-alueilla, kuten kuvan nimeämistä, kuullun ymmärtämistä ja toistamista. Afasian laajuus ja tyyppi voidaan päätellä tarkastelemalla potilaiden tuloksia afasiatesteissä. Tätä tietoa voidaan vuorostaan käyttää hyväksi suunniteltaessa potilaiden kuntoutusta. Afasiatutkimuksen lisäksi myös monet puhetuoton tutkijat ovat kiinnostuneita afasiapotilaiden testiaineistoista, sillä puhetuotossa esiintyvät virheet saattavat antaa vihjeitä puhetuottoon liittyvistä kognitiivisista prosesseista sekä näiden keskinäisistä suhteista. Täten afasiapotilaiden tuottamaa aineistoa tarkastelemalla on mahdollista saada tietämystä niin normaalista kuin häiriintyneestäkin puhetuotosta sekä niihin liittyvistä prosesseista.

Perinteisen tilastollisen tarkastelun lisäksi myös koneoppimismenetelmiä voidaan soveltaa afasiapotilaiden tuottaman aineiston tarkasteluun ja mallintamiseen. Väitöskirjatyössä on käytetty kahta lähestymistapaa koneoppimismenetelmien hyödyntämiseen erilaisten afasia-aineistojen yhteydessä. Ensimmäinen lähestymistapa perustuu sanatuoton kognitiivisten prosessien mallintamiseen neurolaskentamenetelmillä. Erityisesti tutkimuksessa keskityttiin sanatuoton keskeisimmän prosessin, leksikalisaation, mallintamiseen. Leksikalisaation aikana puhuja muuntaa tuotettavan sanan semanttisen esityksen fonologiseksi "artikulointiohjeeksi". Tutkimuksen ensimmäisessä osassa kehitettiin leksikalisaatioprosessia jäljittelevä laskennallinen malli, jonka avulla erityypisten ja -asteisten aivovaurioiden vaikutusta sanatuottoon voitiin mallintaa ja tutkia. Toinen työssä käytetty lähestymistapa perustuu koneoppimismentelmien soveltamiseen afasiapotilaiden afasiaoireyhtymien tunnistamiseen potilaiden afasiatestitulosten perusteella. Tutkimuksessa tarkasteltiin erilaisten oppivien luokittelijoiden soveltumista ja hyödyntämistä afasiapotialaiden tunnistamiseen ja luokitteluun oireiden perusteella.

Tutkimuksen tulokset osoittavat, että koneoppimismetelmiä voidaan hyödyntää afasiatutkimuksessa niin kliinisessä kuin teoreettisessakin mielessä. Tutkimuksen ensimmäisessä osassa kehitetyn sanatuoton kognitiivisen tason mallin avulla tutkijat voivat luoda ja testata puhetuottoon ja afasiatutkimukseen liittyviä hypoteeseja. Lisäksi mallia voitaisiin hyödyntää afasiapotilaiden kuntouttamisessa mm. mallintamalla erilaisten kuntouttamismenetelmien vaikutusta afasiakuntoutukseen tai tulkitsemalla potilaiden oireita mallin avulla. Tutkimuksen toisessa osassa kehitettyjä luokittelijoita voidaan vuorostaan käyttää kliinisten afasiasyndroomien välisten yhteyksien tunnistamiseen sekä käytettyjen afasialuokitusten epäjohdonmukaisuuksien tutkimiseen. Tämän lisäksi luokittelijoita voitaisiin käyttää osana päätöksentukijärjestelmää, jota lääkärit voisivat hyödyntää afasiapotilaiden hoitoa suunnitellessaan.

This thesis aimed to study the inner dynamics of both normal and disordered word production using machine learning methods. A set of experiments where machine learning methods were applied to naming data was performed. The data was produced by aphasic and non-aphasic speakers in various aphasia tests. In this thesis two different approaches on applying these methods to aphasic data have been taken. In the first part, the efforts are concentrated on developing a computational model for simulating the actual cognitive naming process, i.e., lexicalization. Modeling lexicalization has both theoretical and practical benefits, as the models might provide new insight to the process of lexicalization and serve as a guide for treating aphasia. The latter part of this thesis explores the possibilities of applying machine learning classifiers to classify aphasic and non-aphasic speakers into groups based on their aphasia test results. This way, relationships between clinical aphasia syndromes could be identified from the classification results. Inconsistencies in the currently used aphasia classification system could also be revealed. On the other hand, these classifiers could be used as a basis for a decision support system to be utilized by clinicians diagnosing aphasic patients. Based on the results, it can be concluded that, when correctly applied, machine learning methods provide new insight to the spoken word production of aphasic and non-aphasic speakers. However, both application areas would greatly benefit from larger aphasia data sets available. This would enable more reliable evaluation of the models of lexicalization and classifiers developed for the data.