基于机器学习的识别声学生物标志物用于沙特阿拉伯语儿童的语音声音障碍
Deema F Turki1, Ahmad F Turki2,3
1Speech and Hearing Pathology Department, Faculty of Medical Rehabilitation Sciences, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
机器学习模型准确地诊断了沙特阿拉伯语儿童的语音声音障碍,使用像不频繁变异 (InfrVar) 这样的声学生物标志物. 这种方法提高了儿童语音病理学早期干预的诊断精度.
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
- 儿科医学 儿科医学 儿科医学
背景情况:
- 全球10-15%的学龄前儿童患有语音声音障碍 (SSD).
- 准确的SSD诊断具有挑战性,特别是在不同的语言群体中.
- 传统的方法,比如百分比辅音正确 (PCC),可能会忽略微妙的语音变化.
研究的目的:
- 应用机器学习 (ML) 来诊断沙特阿拉伯语儿童的SSD.
- 为了提高诊断准确性,研究声学生物标志物,特别是不频变量 (InfrVar).
- 开发一个更有效的诊断方法,以此群体的SSD.
主要方法:
- 分析了235名讲阿拉伯语的沙特儿童 (年龄为2,6-5;11岁) 的数据.
- 使用了ML模型,包括随机森林,SVM,XGBoost,后勤回归,K-NN和天真贝叶斯.
- 采用了声学特征 (PhonVar,InfrVar,PCC) 和SHAP分析以确定特征的重要性.
主要成果:
- XGBoost和随机森林模型实现了高性能 (91.49%的准确性,99.14%的AUC).
- 发音和语音模式是不典型和典型发育 (TD) 类别之间的关键区分因素.
- 通过K-Means集群,发现了四个子组:TD (46.61%),关节 (25.42%),非典型 (18.64%) 和延迟 (9.32%).
结论:
- 机器学习模型,特别是XGBoost和Random Forest,有效地对沙特阿拉伯语儿童进行语音发展类别的分类.
- 文化特定的声学生物标志物 (InfrVar,PhonVar) 可以提高SSD的诊断精度.
- 这些发现支持用于各种语言背景和早期干预的AI辅助诊断工具.
