机器学习分类器用于模拟房间声学下的语音健康评估

科学领域:

• 语音处理 语音处理
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 语音障碍的检测依赖于准确的声音特征分析.
• 机器学习 (ML) 模型看起来有希望,但可能对数据质量变化敏感.
• 现实世界的声学条件,如反响,可以降低性能.

研究的目的:

• 评估机器学习模型在声下检测语音障碍的稳定性.
• 评估数据增强与模拟反响对ML模型性能的影响.
• 确定最佳的ML策略,以在各种声环境中可靠地检测语音障碍.

主要方法:

• 利用来自稳定元音样本的常见声声健康评估特征 (135种病理,49种对照).
• 训练并测试了六个ML分类器 (包括SVM,k-NN,随机森林) 在干净和反响增强数据上.
• 在干净,短 (0.48s) 和长 (1.82s) 的反响条件下评估检测性能.

主要成果:

• 支持向量机 (SVM) 和k-最近的邻居 (k-NN) 显示了可靠的准确性与短反响.
• 随机森林在清洁数据上实现了高精度,但对增强条件的概括性不佳.
• 反响显著影响了一些ML分类器的性能.

结论:

• 在反响增强数据上训练和测试ML模型对于提高可靠性至关重要.
• ML模型需要在不同的声学条件下进行验证,以实际检测语音障碍.
• 数据增强策略对于开发基于ML的强大语音健康评估工具至关重要.