Inteligencia artificial y reconocimiento de lesiones benignas de cuerdas vocales

Los investigadores recopilarán las grabaciones de audio de los participantes disfónicos afectados por BLVF. Todas las muestras de voz se dividirán en los siguientes grupos según el diagnóstico endoscópico: quistes de las cuerdas vocales, edema de Reinke, nódulos y pólipos. Las pistas de audio se obtendrán pidiendo pronunciar con la intensidad, tono y calidad de voz habituales la palabra /aiuole/ tres veces seguidas. Las voces se adquirirán utilizando un micrófono Shure modelo SM48 (Evanston IL) colocado en un ángulo de 45° a una distancia de 20 cm de la boca del paciente. La entrada de saturación del micrófono se fijará en 6/9 de CH1 y el ruido ambiental era <30 dB de nivel de presión sonora (SPL). Las señales serán grabadas en formato ".nvi" con un grabador de audio de alta definición Computerized Speech Lab, modelo 4300B, de Kay Elemetrics (Lincoln Park, NJ, EUA) con una frecuencia de muestreo de 50 kHz y convertida a ". formato wav". Cada archivo de audio se etiquetará de forma anónima con el género y el tipo de BLVF.

Proceso de análisis Todos los siguientes análisis se realizarán con MatLab R2019b, MathWorks, Natick MA, EE. UU. La tubería de análisis incluyó el preprocesamiento de señales, la extracción de características, la selección de las características y la implementación del modelo.

Extracción de características Sobre la señal segmentada se extraerán 66 características diferentes en el dominio temporal, frecuencial y cepstral. Luego, se calcularán siete medidas estadísticas sobre las características extraídas, a saber: media, desviación estándar, asimetría, curtosis, percentiles 25, 50 y 75. Además, la fluctuación, el brillo y la inclinación del espectro de potencia se obtendrán de toda la señal no segmentada.

Selección de características La selección de características se aplicará utilizando análisis bioestadísticos en todo el conjunto de datos, para reducir el número extendido de características para dar como entrada al clasificador. Se utilizarán dos pruebas estadísticas para seleccionar características relevantes para la tarea de clasificación: el análisis de varianza de una vía (ANOVA), cuando todos los grupos se distribuyeron normalmente, y la prueba de Kruskal-Wallis, en caso contrario. La normalidad de los grupos se verificará mediante la prueba de Kolmogorov-Smirnov. Para todas las pruebas, un valor de p <0,05 se considerará estadísticamente significativo.

A. Implementación del modelo Una máquina de vectores de soporte no lineal (SVM) con un kernel gaussiano es el algoritmo elegido para esta investigación. El rendimiento de la clasificación se medirá a través de la precisión y el puntaje F1 promedio. Ambas métricas se proporcionarán para la descripción de los rendimientos de clasificación general y los obtenidos en los subgrupos de género.