シミュレートされた部屋の音響下での音声健康評価のための機械学習分類子

科学分野:

• 音声処理; 機械学習; 生体医工学

背景:

• 音声障害検出は、正確な音声特徴分析に依存しています。機械学習（ML）モデルは有望ですが、データ品質の変動に敏感である可能性があります。残響などの実際の音響条件は、パフォーマンスを低下させる可能性があります。

研究 の 目的:

• 残響下での音声障害検出のための機械学習モデルの堅牢性を評価すること。シミュレートされた残響によるデータ拡張がMLモデルのパフォーマンスに与える影響を評価すること。多様な音響環境での信頼性の高い音声障害検出のための最適なML戦略を決定すること。

主な方法:

• 安定した母音サンプル（病的な135例、対照群49例）から一般的な音声健康評価の特徴を利用しました。クリーンデータと残響拡張データで6つのML分類子（SVM、k-NN、ランダムフォレストを含む）をトレーニングおよびテストしました。クリーン、短い（0.48秒）、および長い（1.82秒）残響条件下での検出パフォーマンスを評価しました。

主要な成果:

• サポートベクターマシン（SVM）とk最近傍法（k-NN）は、短い残響で信頼性の高い精度を示しました。ランダムフォレストは、クリーンなデータで高い精度を達成しましたが、拡張条件への汎化は不良でした。残響は、一部のML分類子のパフォーマンスに著しく影響しました。

結論:

• 残響拡張データでMLモデルをトレーニングおよびテストすることは、信頼性を高めるために不可欠です。MLモデルは、実際的な音声障害検出のために多様な音響条件下で検証する必要があります。データ拡張戦略は、堅牢なMLベースの音声健康評価ツールを開発するために不可欠です。