Intelligence artificielle et reconnaissance des lésions bénignes des cordes vocales

Les enquêteurs recueilleront les enregistrements audio de participants dysphoniques touchés par le BLVF. Tous les échantillons de voix seront répartis dans les groupes suivants en fonction du diagnostic endoscopique : kystes des cordes vocales, œdème de Reinke, nodules et polypes. Les pistes audio seront obtenues en demandant de prononcer avec l'intensité, la hauteur et la qualité habituelles de la voix le mot /aiuole/ trois fois de suite. Les voix seront acquises à l'aide d'un microphone Shure modèle SM48 (Evanston IL) positionné à un angle de 45° à une distance de 20 cm de la bouche du patient. L'entrée de saturation du microphone sera fixée à 6/9 de CH1 et le bruit ambiant était <30 dB de niveau de pression acoustique (SPL). Les signaux seront enregistrés au format ".nvi" avec un enregistreur audio haute définition Computerized Speech Lab, modèle 4300B, de Kay Elemetrics (Lincoln Park, NJ, USA) avec un taux d'échantillonnage de fréquence de 50 kHz et converti en ". format wav". Chaque fichier audio sera étiqueté de manière anonyme avec le sexe et le type de BLVF.

Pipeline d'analyse Toutes les analyses suivantes seront effectuées à l'aide de MatLab R2019b, MathWorks, Natick MA, USA. Le pipeline d'analyse comprenait le prétraitement du signal, l'extraction des caractéristiques, le criblage des caractéristiques et la mise en œuvre du modèle.

Extraction de caractéristiques Sur le signal segmenté, 66 caractéristiques différentes dans le domaine temporel, fréquentiel et cepstrale seront extraites. Ensuite, sept mesures statistiques seront calculées sur les caractéristiques extraites, à savoir : la moyenne, l'écart type, l'asymétrie, l'aplatissement, les 25e, 50e et 75e centiles. De plus, la gigue, le miroitement et l'inclinaison du spectre de puissance seront obtenus à partir de l'ensemble du signal non segmenté.

Sélection des caractéristiques La sélection des caractéristiques sera appliquée à l'aide d'analyses biostatistiques sur l'ensemble de données, afin de réduire le nombre étendu de caractéristiques à fournir en entrée au classifieur. Deux tests statistiques seront utilisés pour filtrer les caractéristiques pertinentes pour la tâche de classification : l'analyse de variance unidirectionnelle (ANOVA), lorsque tous les groupes étaient normalement distribués, et le test de Kruskal-Wallis, dans le cas contraire. La normalité des groupes sera vérifiée par le test de Kolmogorov-Smirnov. Pour tous les tests, une valeur de p <0,05 sera considérée comme statistiquement significative.

A. Implémentation du modèle Une machine à vecteurs de support (SVM) non linéaire avec un noyau gaussien est l'algorithme choisi pour cette recherche. La performance de classification sera mesurée par la précision et le score F1 moyen. Les deux métriques seront fournies pour la description des performances globales de classement et celles obtenues sur les sous-groupes de genre.