多维声学 - 过程量化框架使用非编程语音用于自闭症谱系障碍识别

科学领域:

• 神经科学是一个神经科学.
• 语音科学 语言科学
• 发展心理学 发展心理学

背景情况:

• 早期发现自闭症谱系障碍 (ASD) 对干预至关重要,但目前使用脚本任务的基于语音的方法是有限的.
• 由于任务限制和概括性问题,自动检测ASD儿童的语言异常面临着挑战.

研究的目的:

• 开发和评估一个基于非脚本语音的语音框架,用于量化非典型的声学-音模式,用于自动识别ASD.
• 为了使大规模的非临床查ASD使用自然的相互作用.

主要方法:

• 在自然主义互动期间,从ASD儿童和典型发育 (TD) 儿童那里收集自发言语.
• 从自由流动的对话中提取了多维的声学特征.
• 利用线性差异分析来建模和分类与ASD相关的前性模式.

主要成果:

• 在ASD儿童中确定了显著的非典型的前奏模式,包括语音连续性减少和音调变化增加.
• 取得了强大的分类性能 (准确度 = 0.85 ± 0.07,F1 = 0.86 ± 0.07).
• 发现非典型模式在开放式对话中更明显,与语言能力相关.

结论:

• 无脚本语音分析对于捕捉ASD中非典型的前性模式至关重要.
• 开发的框架显示出在临床环境之外进行大规模ASD查的前景.
• 声学-prosodic模式可以作为评估ASD严重性的客观标记.