ノール・プロジェクト:自閉症スペクトル障害の言語認識のための公平なトランスフォーマー移転学習

科学分野:

• スピーチ分析
• 機械学習
• 発達障害

背景:

• 自閉症スペクトル障害 (ASD) の早期発見は重要ですが,診断が遅れたり見逃されたりするので困難です.
• 言語障害はASDの患者に多く見られ 言語分析は診断のツールとなる可能性があります
• 大規模なラベル付きデータセットの利用が限られているため,正確な自動ASD認識システムの開発が困難です.

研究 の 目的:

• 言語解析を用いた自律的な自閉症の認識のための ディープ・トランスファー・ラーニングの方法を探求する.
• 2つの微調整アプローチを比較する:差別微調整 (D-FT) とWav2Vec 2.0微調整 (W2V2-FT).
• バイナリ (典型的に発達する対非典型的に発達する) と4つのクラス (TD,ASD,ディスファシア,PDD-NOS) の分類タスクの両方のモデルパフォーマンスを評価する.

主な方法:

• 2つの小さな音声データセットを使って 移転学習のテクニックを調査しました
• 関連するデータセットで事前に訓練されたD-FT (Applied Discriminative Fine-Tuning).
• 採用された Wav2Vec 2.0 微調整 (W2V2-FT) で,自己監視された音声表現を活用しています.
• 実施されたバイナリ分類 (TD vs. AD) と4つのクラス (TD,ASD,DYS,NOS) に分類されています.

主要な成果:

• "TD VS"のために AD分類,D-FTは94.8%のUARを達成し,W2V2-FT (91.5%) を上回った.
• 4つのクラスの診断タスクでは,D-FTは,W2V2-FT (54. 3%) を上回る60. 9%のUARをもたらしました.
• 両方の方法は,D-FTがより高い精度を示し,転送学習の可能性を示しました.

結論:

• 言語ベースの自閉症の認識には 価値あるアプローチです
• D-FTモデルは,バイナリとマルチクラスの分類タスクの両方で優れたパフォーマンスを示しました.
• 課題は,特にラベル付きのデータが限られており,将来の研究分野を強調しています.