通过呼吸道诱导声学,胸腔阻抗,加速度计和陀螺仪检测语音:一个机器学习信息的比较研究

科学领域:

• 心理生理学 心理生理学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 语音产生可以混生理应激反应性测量,特别是心率变化 (HRV).
• 在门诊评估中,精确区分语音诱导和心理社会压力诱导的生理变化至关重要.
• 现有的方法在现实环境中缺乏可靠的语音检测.

研究的目的:

• 开发和验证用于使用可穿戴生物信号准确检测语音的机器学习模型.
• 评估基于生物信号的不同语音分类方法的性能.
• 在门诊心理生理学中更好地控制与语音相关的混.

主要方法:

• 在56名参与者的生物信号数据上训练并测试机器学习算法 (XGBoost,梯度提升,随机森林,后勤回归).
• 使用隐私安全的可穿戴设备测量呼吸诱导气学 (RIP),胸腔阻抗肺学和加速度计.
• 雇员嵌套交叉验证和80/20列车测试分割用于模型评估.

主要成果:

• 在所有方法中都实现了优异的语音分类性能 (AUC).
• 基于腹加速计的模型显示了最高的准确性 (嵌套交叉验证:99.3%,测试组:99.6%).
• 胸部-腹部RIP,胸部-仅RIP和阻抗也显示出高性能 (96.6%-99.1%AUC).

结论:

• 机器学习模型有效地使用可穿戴生物信号来分类语音.
• 胸部加速度计方法在语音检测方面表现出卓越的性能.
• 这些开放式访问模型可以通过计算与语音相关的文物来提高门诊心理生理学的可靠性.