機械学習を用いた音声品質の自動評価 | JoVE Visualize

科学分野:

言語聴覚療法
計算言語学
生体医工学

背景:

臨床音声評価は、声帯機能不全の重症度の主観的な知覚評価に依存しています。
既存の方法は、客観性、再現性、および効率性が欠如しています。
自動音響分析は、標準化された音声評価の可能性を提供します。

研究の目的:

声帯機能不全の重症度（GRBASスケールのGradeパラメータ）の自動予測のための機械学習モデルを開発および検証すること。
客観性、再現性、および効率性を臨床音声評価で向上させること。
知覚される声帯機能不全の重症度を予測する重要な音響特徴を特定すること。

主な方法:

3つのデータベースから524個の持続母音/a/の音声サンプルを収集しました。
Parselmouth（Praat）を使用して47個の音響特徴量（スペクトル、ケプストラム、摂動、ノイズベース）を抽出しました。
5-foldクロスバリデーションを使用して、5つの機械学習分類器（DT、RF、XGBoost、LightGBM、CatBoost）をトレーニングおよび評価しました。

主要な成果:

勾配ブースティングアルゴリズム（LightGBM、CatBoost、XGBoost）は、従来のツリーベースモデルよりも優れた性能を示しました。
LightGBMは、0.945という最高のQuadratic Weighted Kappa（QWK）を達成しました。
ケプストラム測定値（CPPS、CSID、AVQI）とHNRは、Gradeの最も影響力のある予測因子であり、ジッターとシマーの寄与は最小限でした。

結論:

勾配ブースティング法、特にLightGBMは、知覚される声帯機能不全の評価と専門家レベルに近い一致を示しました。
これらのモデルは、臨床音声評価のための客観的で解釈可能なツールを提供します。
声帯機能不全の重症度の自動予測は、臨床ワークフローと診断の一貫性を向上させることができます。