评估口音失语的流利性:流利性尺度,三分论判断或机器学习

科学领域:

• 神经语言学是一种神经语言学.
• 计算语言学计算语言学
• 语音语言病理学 语言病理学

背景情况:

• 阿法西亚分类依赖于诸如西方阿法西亚电池修订 (WAB-R) 等工具.
• WAB-R的流利度表缺乏客观性,并且由于对语音尺寸的主观权重,其评分器间的可靠性很低.
• 这种主观性影响了准确的语盲分类,并且可以通过机器学习来解决.

研究的目的:

• 调查卷积和反复的神经网络是否可以可靠地分类流动和非流动的失语症.
• 将机器学习模型的可靠性与WAB-R流度表和专家临床医生的判断进行比较.

主要方法:

• 在公共领域的语音样本上开发和训练卷积和循环神经网络模型.
• 经验证的模型使用来自中风后失言症参与者的语音数据.
• 使用卡帕分数在语音语言病理学家 (SLP) 和SLP与模型之间评估评审者之间的可靠性.

主要成果:

• 机器学习模型在测试数据集上检测流利 (83%) 和非流利 (81%) 的语音方面取得了很高的准确性.
• 使用WAB-R尺度的SLP之间的评分间可靠性对于特定分数不佳,但对于广泛的类别 (流利与非流利) 相当.
• 模型和SLP之间的一致性在非流利的语言中适度,在流利的语言中实质性;然而,SLP三分法判断 (流利,非流利,混合) 显示出几乎完美的一致性.

结论:

• SLP (流利,非流利,混合) 的简单三类判断显示出比WAB-R流利度表和机器学习模型更高的可靠性和有效性.
• 关于WAB-R流利度表对失言症分类的有用性需要重新考虑.
• 目前的机器学习方法还不够可靠,无法对口语流性进行评分.