自动语音障碍检测从实际角度来看
Jazmin Vidal1, Dayana Ribas2, Cyntia Bonomi1
1Instituto de Investigación de Ciencias de la Computación (ICC), Universidad de Buenos Aires, Buenos Aires, Argentina.
概括
早期发现语音障碍至关重要. 本研究介绍了一种使用组合数据用于自动语音障碍检测 (AVDD) 系统的方法,提高诊断准确性和信心分数.
科学领域:
- 医疗信息学 医疗信息学
- 语音科学 语言科学
- 机器学习 机器学习
背景情况:
- 像听力障碍这样的语音障碍很普遍,但往往是晚期诊断出来的.
- 标注数据的稀缺性给自动语音障碍检测 (AVDD) 带来了挑战.
研究的目的:
- 使用有限的域内数据与域外数据相结合,开发一个有效的AVDD系统.
- 提出一个基于成本的指标 (规范化预期成本) 来评估AVDD性能.
- 提高AVDD系统输出的可解释性,用于临床决策支持.
主要方法:
- 通过组合域外和域内语音数据来训练深度神经网络.
- 利用贝叶斯决策理论,根据正常化预期成本进行最佳决策.
- 实施一个校准阶段,以提高系统可信度评分的可解释性.
主要成果:
- 证明了在有限的域内数据中训练AVDD系统的可行性.
- 展示了用于绩效评估的规范化预期成本指标的有效性.
- 通过后期校准方法实现了更好的分数解释性.
结论:
- 将域外和域内数据结合起来是AVDD系统开发的可行策略.
- 规范化预期成本指标为AVDD提供了一个实际的评估框架.
- 校准的信心分数提高了AVDD系统在临床实践中的实用性.
