语音声音分析的准确性:比较自动人工智能算法与临床医生的评估

科学领域:

• 语音语言病理学 语言病理学
• 计算语言学计算语言学
• 儿科听力学 儿科听力学

背景情况:

• 自动语音分析 (ASA) 和自动语音识别 (ASR) 系统越来越多地被整合到语音障碍 (SSD) 治疗中.
• 这些系统在没有临床医生的直接监督的情况下,为家庭实践和改善治疗结果提供了潜力.
• 由ASA系统提供的反的准确性是影响治疗疗效的关键因素.

研究的目的:

• 为了评估Amplio学习技术开发的新型ASA算法的反准确性.
• 将算法的性能与语音语言临床医生的判断进行比较.
• 分析与语音获取阶段 (早期,中期,晚期) 相关的准确性.

主要方法:

• 分析了3,584个由395名带有SSD的儿童和青少年 (4-18岁) 产生的辅音刺激.
• 自动ASA分类与临床医生评估和临床医生间协议的比较.
• 根据语音获取类别对结果的检查.

主要成果:

• 对于精确生成的声音,临床医生与ASA的协议在所有语音中超过了80%,根据获取类别的变化.
• ASA分为"可接受"",不可接受"和"未知"类别的分类也显示出变化,反映了临床间协议模式.
• 对于错误表达的声音而言,一致性下降,这表明错误制作对算法的挑战.

结论:

• 阿姆普利奥ASA算法对正确生成的声音具有很高的准确性,支持其在SSD治疗中无监督家庭实践的潜力.
• 语音复杂性影响临床医生和ASA算法的感知一致性,导致不同声音的性能变化.
• 该ASA算法显示承诺作为一个有效的工具,以促进语音声音练习的SSD的儿童,即使没有直接的临床医生监督.