Intelligenza artificiale e lesioni benigne del riconoscimento delle corde vocali

Gli investigatori raccoglieranno le registrazioni audio dei partecipanti disfonici affetti da BLVF. Tutti i campioni vocali saranno suddivisi nei seguenti gruppi in base alla diagnosi endoscopica: cisti delle corde vocali, edema di Reinke, noduli e polipi. Le tracce audio saranno ottenute chiedendo di pronunciare con la consueta intensità, tono e qualità della voce la parola /aiuole/ per tre volte di seguito. Le voci verranno acquisite utilizzando un microfono Shure modello SM48 (Evanston IL) posizionato ad un angolo di 45° ad una distanza di 20 cm dalla bocca del paziente. L'ingresso di saturazione del microfono sarà fissato a 6/9 di CH1 e il rumore ambientale era <30 dB di livello di pressione sonora (SPL). I segnali saranno registrati in formato ".nvi" con un registratore audio ad alta definizione Computerized Speech Lab, modello 4300B, della Kay Elemetrics (Lincoln Park, NJ, USA) con frequenza di campionamento di 50 kHz e convertiti in ". formato wav". Ogni file audio sarà etichettato in modo anonimo con genere e tipo di BLVF.

Pipeline di analisi Tutte le seguenti analisi saranno eseguite utilizzando MatLab R2019b, MathWorks, Natick MA, USA. La pipeline di analisi includeva la pre-elaborazione del segnale, l'estrazione delle caratteristiche, lo screening delle caratteristiche e l'implementazione del modello.

Estrazione delle caratteristiche Sul segnale segmentato, verranno estratte 66 diverse caratteristiche nel dominio del tempo, della frequenza e del dominio cepstrale. Quindi, verranno calcolate sette misure statistiche sulle caratteristiche estratte, vale a dire: media, deviazione standard, asimmetria, curtosi, 25°, 50° e 75° percentile. Inoltre, jitter, shimmer e tilt dello spettro di potenza saranno ottenuti dall'intero segnale non segmentato.

Screening delle caratteristiche Lo screening delle caratteristiche verrà applicato utilizzando analisi biostatistiche sull'intero set di dati, per ridurre il numero esteso di caratteristiche da fornire come input al classificatore. Verranno utilizzati due test statistici per vagliare le caratteristiche rilevanti per il compito di classificazione: l'analisi della varianza unidirezionale (ANOVA), quando tutti i gruppi erano distribuiti normalmente, e il test di Kruskal-Wallis, altrimenti. La normalità dei gruppi sarà verificata attraverso il test di Kolmogorov-Smirnov. Per tutti i test sarà considerato statisticamente significativo un p-value <0.05.

A. Implementazione del modello Una Support Vector Machine (SVM) non lineare con un kernel gaussiano è l'algoritmo scelto per questa ricerca. Le prestazioni della classifica saranno misurate attraverso l'accuratezza e il punteggio medio di F1. Entrambe le metriche saranno fornite per la descrizione delle performance della classifica complessiva e di quelle ottenute sui sottogruppi di genere.