音源定位自闭症儿童的会议录音

科学领域:

• 声学 声学 在声学方面
• 机器学习 机器学习
• 临床心理学 临床心理学

背景情况:

• 准确的声音源定位对于分析临床环境中的空间行为至关重要,例如自闭症诊断观察表 (ADOS-2).
• 传统的光束成形方法不适合通常在ADOS-2房间中发现的不统一的麦克风阵列.
• 深度学习为复杂的声学环境中的声音源定位提供了一个有希望的替代方案.

研究的目的:

• 开发和评估一种基于深度神经网络 (DNN) 的新方法,用于在ADOS-2观测室内定位模拟声源.
• 为了克服非传统的麦克风阵列配置所造成的传统方法的局限性.
• 评估基于DNN的声音源本地化在增强自闭症诊断和治疗方面的潜力.

主要方法:

• 制定了声音源定位作为分类问题,将ADOS-2房间划分为四个不同的区域.
• 开发了两个DNN架构:双向长期短期存储器 (BiLSTM) 网络和带有变压器编码器的混合BiLSTM.
• 经过训练和测试的模型使用模拟的声音源在不同的声条件和麦克风阵列设置.

主要成果:

• 在各种声环境和不同的麦克风阵列配置下,实现了从85%到89%的分类准确度.
• 证明了拟议的DNN方法在实现高效的声音源本地化性能方面的有效性.
• 验证了该方法在临床环境中实际应用的潜力.

结论:

• 拟议的基于DNN的声源定位方法对ADOS-2观察室具有不统一的麦克风阵列是有效的.
• 这项技术可以在自闭症评估期间提供对儿童空间行为有价值的见解.
• 这种方法具有显著的潜力,可以提高自闭症诊断的准确性,并为干预策略提供信息.