基于Mel谱图和卷积神经网络的单边声带的严重程度的自动评估研究
Shuaichi Ma1,2, Wenwen Liao3, Yi Zhang2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, China.
Biomedical engineering online
|June 21, 2025
概括
这项研究开发了一个AI平台,使用Mel光谱分析和卷积神经网络 (CNN) 来评估来自声音的单边声麻 (UVCP) 严重程度,达到74.3%的准确率.
科学领域:
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
- 语音科学 语言科学
背景情况:
- 单侧声麻 (UVCP) 需要客观的严重程度评估才能有效治疗.
- 目前的UVCP评估方法可能缺乏客观性,需要专门的设备.
- 自动化UVCP严重程度分级可以提高临床决策和患者护理.
研究的目的:
- 开发和评估一个人工智能驱动的平台,用于使用语音分析进行自动化UVCP严重性评估.
- 利用Mel光谱分析和卷积神经网络 (CNN) 来对UVCP进行客观分类.
- 为UVCP患者制定个性化临床治疗计划提供客观基础.
主要方法:
- 开发了一种名为TripleConvNet的CNN模型,用于UVCP严重程度分类.
- 从131名健康人群和292名UVCP患者收集了语音样本.
- 利用Mel光谱图及其差异特征作为TripleConvNet模型的输入,将患者分为不补偿,部分补偿和完全补偿的组.
主要成果:
- TripleConvNet模型在将健康的声音从三个UVCP严重程度组区分出来时,实现了74.3%的分类准确度.
- 人工智能平台在基于语音特征的UVCP严重程度分级方面表现出有效性.
- 该研究成功地将深度学习技术应用于用于医学诊断的语音分析.
结论:
- 基于深度学习的非侵入性语音分析具有显著的潜力,可以精确分类UVCP严重程度.
- 拟议的AI方法提供了一个有前途的临床工具,以帮助医生进行UVCP评估.
- 自动语音分析可以支持单方面声麻的患者个性化治疗规划.
