El Proyecto Noor: aprendizaje de transferencia transformador justo para el trastorno del espectro autista...

Área de la Ciencia:

• Análisis del habla
• Aprendizaje automático
• Trastornos del desarrollo

Sus antecedentes:

• La detección temprana del trastorno del espectro autista (TEA) es crítica pero desafiante debido a los diagnósticos tardíos o perdidos.
• Los trastornos del habla son comunes en las personas con TEA, por lo que el análisis del habla es una herramienta potencial de diagnóstico.
• La disponibilidad limitada de grandes conjuntos de datos etiquetados dificulta el desarrollo de sistemas precisos de reconocimiento automático de TEA.

Objetivo del estudio:

• Explorar métodos de aprendizaje de transferencia profunda para el reconocimiento automático de TEA en niños mediante el análisis del habla.
• Para comparar dos enfoques de ajuste fino: el ajuste fino discriminativo (D-FT) y el ajuste fino Wav2Vec 2.0 (W2V2-FT).
• Evaluar el rendimiento del modelo tanto en una tarea de clasificación binaria (en desarrollo típico vs. en desarrollo atípico) como en una tarea de clasificación de cuatro clases (TD, ASD, disfasia, PDD-NOS).

Principales métodos:

• Utilizó dos conjuntos de datos de habla más pequeños para investigar técnicas de aprendizaje de transferencia.
• Discriminación aplicada de ajuste fino (D-FT) previamente entrenado en un conjunto de datos relacionados.
• Empleado Wav2Vec 2.0 ajuste fino (W2V2-FT) aprovechando las representaciones de voz auto-supervisadas.
• Clasificación binaria llevada a cabo (TD vs. AD) y la clasificación en cuatro clases (TD, ASD, DYS, NOS).

Principales resultados:

• Para el TD vs. Clasificación AD, D-FT logró un UAR del 94,8%, superando al W2V2-FT (91,5%).
• En la tarea de diagnóstico de cuatro clases, D-FT arrojó un UAR del 60,9%, superior al de W2V2-FT (54,3%).
• Ambos métodos demostraron el potencial del aprendizaje de transferencia, con D-FT mostrando una mayor precisión.

Conclusiones:

• El aprendizaje por transferencia es un enfoque valioso para el reconocimiento del autismo basado en el habla.
• El modelo D-FT demostró un rendimiento superior tanto en tareas de clasificación binarias como de clases múltiples.
• Los desafíos permanecen en la clasificación de varias clases, particularmente con datos etiquetados limitados, destacando áreas para futuras investigaciones.