인공지능과 성대인식의 양성 병변

조사관은 BLVF의 영향을 받는 발성 장애 참가자의 오디오 녹음을 수집합니다. 모든 음성 샘플은 내시경 진단에 따라 성대 낭종, 라인케 부종, 결절 및 폴립과 같은 그룹으로 나뉩니다. 오디오 트랙은 단어 /aiuole/을 연속으로 세 번 일반적인 목소리의 강도, 높낮이 및 품질로 발음하도록 요청하여 얻을 수 있습니다. 음성은 환자의 입에서 20cm 거리에 45° 각도로 배치된 Shure 모델 SM48 마이크(Evanston IL)를 사용하여 획득됩니다. 마이크 포화 입력은 CH1의 6/9로 고정되고 환경 소음은 <30dB 음압 레벨(SPL)입니다. 신호는 Kay Elemetrics(Lincoln Park, NJ, USA)의 고화질 오디오 레코더 Computerized Speech Lab, 모델 4300B를 사용하여 ".nvi" 형식으로 50kHz 주파수의 샘플링 속도로 녹음되고 ". wav" 형식입니다. 각 오디오 파일에는 성별과 BLVF 유형이 익명으로 표시됩니다.

분석 파이프라인 다음 모든 분석은 MatLab R2019b, MathWorks, Natick MA, USA를 사용하여 수행됩니다. 분석 파이프라인에는 신호 전처리, 특징 추출, 특징 스크리닝 및 모델 구현이 포함되었습니다.

특징 추출 분할된 신호에서 시간, 주파수 및 켑스트럼 영역에서 66개의 서로 다른 특징이 추출됩니다. 그런 다음 추출된 기능, 즉 평균, 표준 편차, 왜도, 첨도, 25번째, 50번째 및 75번째 백분위수에 대해 7개의 통계 측정값이 계산됩니다. 또한 세그먼트화되지 않은 전체 신호에서 파워 스펙트럼의 지터, 쉬머 및 틸트를 얻을 수 있습니다.

기능 스크리닝 기능 스크리닝은 분류자에 입력으로 제공할 기능의 확장된 수를 줄이기 위해 전체 데이터 세트에 대한 생물 통계 분석을 사용하여 적용됩니다. 분류 작업에 대한 관련 기능을 스크리닝하는 데 두 가지 통계 테스트가 사용됩니다. 모든 그룹이 정규 분포된 경우 일원 분산 분석(ANOVA)과 그렇지 않은 경우 Kruskal-Wallis 테스트입니다. 그룹의 정상성은 Kolmogorov-Smirnov 테스트를 통해 검증됩니다. 모든 테스트에서 p-값 <0.05는 통계적으로 유의한 것으로 간주됩니다.

A. 모델 구현 가우시안 커널이 있는 비선형 SVM(Support Vector Machine)이 이 연구를 위해 선택된 알고리즘입니다. 분류 성능은 정확도와 평균 F1 점수를 통해 측정됩니다. 두 지표 모두 전체 분류 성과 및 성별 하위 그룹에서 얻은 성과에 대한 설명을 위해 제공됩니다.