人工知能と声帯認識の良性病変

調査員は、BLVF の影響を受けた発声障害のある参加者の音声録音を収集します。 すべての音声サンプルは、内視鏡診断に基づいて次のグループに分類されます: 声帯嚢胞、ラインケ浮腫、結節およびポリープ。 オーディオ トラックは、通常の声の強さ、ピッチ、品質で単語 /aiuole/ を 3 回続けて発音するように求めることによって取得されます。 声は、患者の口から 20 cm の距離に 45° の角度で配置された Shure モデル SM48 マイク (Evanston IL) を使用して取得されます。 マイクの飽和入力は CH1 の 6/9 に固定され、環境ノイズは 30 dB 未満の音圧レベル (SPL) でした。 信号は、Kay Elemetrics (Lincoln Park, NJ, USA) の高解像度オーディオ レコーダー Computerized Speech Lab、モデル 4300B を使用して ".nvi" 形式で記録され、50 kHz 周波数のサンプリング レートで ". wav」形式。 各音声ファイルは、性別と BLVF の種類で匿名でラベル付けされます。

分析パイプライン 以下のすべての分析は、MatLab R2019b、MathWorks、Natick MA、USA を使用して実行されます。 分析パイプラインには、信号の前処理、特徴抽出、特徴のスクリーニング、およびモデルの実装が含まれていました。

特徴抽出 セグメント化された信号では、時間、周波数、およびケプストラム ドメインの 66 の異なる特徴が抽出されます。 次に、抽出された特徴に対して 7 つの統計的尺度が計算されます。つまり、平均、標準偏差、歪度、尖度、25、50、および 75 パーセンタイルです。 さらに、パワー スペクトルのジッター、シマー、およびチルトは、セグメント化されていない信号全体から取得されます。

特徴のスクリーニング 特徴のスクリーニングは、分類子への入力として提供する特徴の拡張数を減らすために、データセット全体の生物統計学的分析を使用して適用されます。 2 つの統計検定を使用して、分類タスクに関連する機能をスクリーニングします: すべてのグループが正規分布している場合は一元配置分散分析 (ANOVA)、それ以外の場合は Kruskal-Wallis 検定です。 グループの正規性は、コルモゴロフ-スミルノフ検定によって検証されます。 すべての検定で、p 値 <0.05 は統計的に有意と見なされます。

A. モデルの実装 ガウス カーネルを使用した非線形サポート ベクター マシン (SVM) が、この研究のために選択されたアルゴリズムです。 分類のパフォーマンスは、精度と平均 F1 スコアによって測定されます。 両方のメトリックは、全体的な分類パフォーマンスと性別サブグループで得られたパフォーマンスの説明に提供されます。