通过域调整对特定主体进行建模,以估计从部表面加速信号中获得的子球压力
Emiro J Ibarra1, Julián D Arias-Londoño2, Juan I Godino-Llorente2
1Department of Electronic Engineering and Advanced Center for Electrical and Electronic Engineering, Universidad Técnica Federico Santa Maria, Valparaiso, 2390123, Chile.
Biomedical signal processing and control
|March 26, 2025
概括
这项研究使用部表面加速信号和机器学习估计了小球底气压. 这种新的方法显著提高了语音障碍评估的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 语音科学 语言科学
- 计算语言学 计算语言学
背景情况:
- 脑下气压对于理解语音障碍至关重要.
- 目前的测量方法是侵入性的,对于门诊环境来说不切实际.
- 从非侵入性信号中估计子球压力是一个重大挑战.
研究的目的:
- 开发和验证一种机器学习模型,用于从部表面加速信号中估计子球气压.
- 为了提高实验室和门诊环境下亚球压力评估的准确性和实用性.
- 为了提高估计准确度,创建特定主题的模型.
主要方法:
- 利用了生理上相关的语音生产模型和神经网络架构.
- 采用域调整策略,将模型从合成数据改进为体内数据.
- 收集了来自135名声音正常和失调的参与者的同步口腔气流,口内压力,麦克风和部表面加速度计数据.
主要成果:
- 与以前的方法 (通过RMSE测量) 相比,拟议的专科模型在亚球压估计方面取得了超过21%的改进.
- 证明了一种非线性,特定对象的回归方法的有效性.
- 成功地将该方法应用于各种语音条件,包括单边声麻和声高功能.
结论:
- 开发的方法提供了一种非侵入性,准确和实用的方法来估计全球下气压.
- 具体对象的精细化显著提高了从部表面振动信号中估计的子球压力的估计.
- 这种技术有望改善语音障碍的诊断和监测.
