自动提取语音和自闭症轮流参数允许使用多变量预测模型进行诊断分类

科学领域:

• 神经科学是一个神经科学.
• 语音语言病理学 语言病理学
• 计算语言学计算语言学

背景情况:

• 自闭症谱系障碍 (ASD) 诊断依赖于识别语音和沟通差异.
• 了解口头行为变异对于诊断改进和社会联系至关重要.
• 需要客观,可扩展的诊断标记来补充当前的临床评估.

研究的目的:

• 研究自闭症和非自闭症个体在对话期间的语音和交互轮换特征.
• 用机器学习评估这些提取的特征的诊断潜力.
• 在自闭症和非自闭症参与者之间,在个人和双层层面上比较语言行为模式.

主要方法:

• 记录了54名非自闭症和26名自闭症参与者之间的二次对话.
• 自动提取语音参数 (例如,语音速率,音调变化) 和交互式轮换功能.
• 使用线性支向量机器进行分类,以预测二类型.

主要成果:

• 语音和转换参数显示出显著的诊断潜力.
• 一台线性支向量机器在预测二类型方面达到76.2%的平衡精度 (灵敏度:73.8%,特异性:78.6%).
• 自闭症患者说话的速度更慢,更单调;混合双音表现出更同步的语音强度和更长的沉默.

结论:

• 使用自动语音和交互分析的数字辅助诊断显示出提高自闭症诊断的潜力.
• 客观和可扩展的数字工具可以显著改善当前的临床诊断过程.
• 自闭症患者的独特对话模式为客观评估提供了潜在的生物标志物.