基于机器学习的评分系统,使用不同的语音任务来预测语音的风险和严重程度

科学领域:

• 神经学 神经学
• 语音科学 语言科学
• 生物医学工程 生物医学工程

背景情况:

• 目前,在大脑缩症 (CA) 中评估语音是耗时和主观的.
• 需要客观的,自动化的方法来有效和可靠地诊断和评估语音的严重程度.

研究的目的:

• 开发和验证一个完全自动化的客观算法,用于诊断和严重程度的评估.
• 利用基于声学特征的机器学习模型进行三层诊断分类.

主要方法:

• 在麦克风数据中使用了来自时间,光谱,曲和非线性动态的声学特征,来自共音-母音 (C-V) 音节范式.
• 利用质量单变量分析和弹性网规则化来诊断特征选择,以及斯皮尔曼的严重程度等级顺序相关性.
• 开发和评估了126名参与者的记录算法 (65名与CA,61名对照).

主要成果:

• 达到了0.97的曲线下的面积 (AUC) 对于高灵敏度 (97.43%) 和特异性 (85.29%) 的语音无声诊断.
• 获得了0.74的平均AUC,用于估计心性言语的严重程度.
• 预测名录显示高效率,C指数为0.96用于诊断和0.81用于严重性预测.

结论:

• 自动化算法表现出强大的分类能力,用于识别和监测无声语音.
• 这些发现支持该框架在临床环境中对大脑动的客观语音评估的有用性.
• 决策曲线分析证实了重复C-V音节范式的声学特征的价值.