诺尔项目:自闭症谱系障碍的公平转移学习

科学领域:

• 语音分析
• 机器学习
• 发展障碍

背景情况:

• 早期发现自闭症谱系障碍 (ASD) 是至关重要的,但由于诊断迟到或错过,
• 语音障碍在自闭症患者中很常见,使得语音分析成为潜在的诊断工具.
• 大型标记数据集的有限可用性阻碍了准确的自动自闭症识别系统的开发.

研究的目的:

• 通过语音分析探索儿童自动识别的深度转移学习方法.
• 将两个微调方法进行比较:分辨微调 (D-FT) 和Wav2Vec 2.0微调 (W2V2-FT).
• 对二进制 (典型的发展与非典型的发展) 和四类 (TD,ASD,失色症,PDD-NOS) 分类任务的模型性能进行评估.

主要方法:

• 使用两个较小的语音数据集来研究转移学习技术.
• 在相关数据集上进行预训练.
• 使用Wav2Vec 2.0微调 (W2V2-FT),利用自我监督的语音表示.
• 进行的二进制分类 (TD vs. AD) 和四个类别的分类 (TD,ASD,DYS,NOS).

主要成果:

• 在TDvs. 在AD分类中,D-FT实现了94.8%的UAR,超过了W2V2-FT (91.5%).
• 在四类诊断任务中,D-FT产生了60.9%的UAR,高于W2V2-FT (54.3%).
• 这两种方法都显示了转移学习的潜力,D-FT显示了更高的准确性.

结论:

• 转移学习是基于语音识别自闭症的重要方法.
• 在二进制和多类分类任务中,D-FT模型表现出卓越的性能.
• 多类分类仍然存在挑战,特别是有限的标记数据,突出了未来研究的领域.