使用语音生物标志物进行脱关节性语音分类的AFM信号模型

科学领域:

• 神经学 神经学
• 语音科学 语言科学
• 机器学习 机器学习

背景情况:

• 神经系统疾病会影响大脑和神经系统,影响包括语言在内的身体功能.
• 发病症是一种神经语言障碍,会导致肌肉疲软,导致言语缓慢,模糊,难以理解.
• 早期识别语言障碍对于及时的医疗干预至关重要.

研究的目的:

• 开发和评估一种机器学习方法,用于准确地分类失关节性语音.
• 使用先进的信号处理技术,区分健康的语言模式和受脱节障碍影响的语言模式.
• 评估各种机器学习分类器在识别脱节性语音方面的有效性.

主要方法:

• 使用广度和频率调制 (AFM) 信号模型进行特征提取.
• 通过使用离散能量分离算法 (DESA) 的福里埃-贝塞尔数列扩展和参数提取进行信号分解.
• 利用了各种语音数据集 (TORGO,UA Speech,帕金森) 并评估了分类器,包括KNN,SVM,LDA,NB和Boosted Tree.

主要成果:

• 实现了高分类准确度,从85%到97.8%不等.
• 获得F1分数在0.90和0.97之间,表明性能强.
• 证明了AFM信号模型和DESA在表征脱节性言语特征方面的有效性.

结论:

• 先进的机器学习技术,结合复杂的信号处理,可以有效地分类失节性语言.
• 拟议的方法提供了一个可靠的工具,用于准确区分脱关节障碍与健康的语言.
• 这种方法具有很大的潜力,可以帮助早期诊断和治疗神经语音障碍.