Inteligência Artificial e Reconhecimento de Lesões Benignas de Pregas Vocais

Os investigadores irão coletar as gravações de áudio dos participantes disfônicos afetados por BLVF. Todas as amostras de voz serão divididas nos seguintes grupos com base no diagnóstico endoscópico: cistos de prega vocal, edema de Reinke, nódulos e pólipos. As faixas de áudio serão obtidas pedindo-se para pronunciar com intensidade, tom e qualidade de voz habituais a palavra /aiuole/ três vezes seguidas. As vozes serão adquiridas por meio de um microfone Shure modelo SM48 (Evanston IL) posicionado em ângulo de 45° a uma distância de 20 cm da boca do paciente. A entrada de saturação do microfone será fixada em 6/9 de CH1 e o ruído ambiental foi <30 dB nível de pressão sonora (SPL). Os sinais serão gravados no formato ".nvi" com um gravador de áudio de alta definição Computerized Speech Lab, modelo 4300B, da Kay Elemetrics (Lincoln Park, NJ, EUA) com taxa de amostragem de 50 kHz de frequência e convertido para ". wav" formato. Cada arquivo de áudio será rotulado anonimamente com gênero e tipo de BLVF.

Pipeline de análise Todas as análises a seguir serão realizadas usando o MatLab R2019b, o MathWorks, Natick MA, EUA. O pipeline de análise incluiu pré-processamento de sinal, extração de recursos, triagem dos recursos e implementação do modelo.

Extração de características No sinal segmentado, serão extraídas 66 características diferentes no tempo, frequência e domínio cepstral. Em seguida, sete medidas estatísticas serão computadas nas características extraídas, a saber: média, desvio padrão, assimetria, curtose, 25º, 50º e 75º percentis. Além disso, jitter, shimmer e inclinação do espectro de potência serão obtidos de todo o sinal não segmentado.

Triagem de recursos A triagem de recursos será aplicada usando análises bioestatísticas em todo o conjunto de dados, para reduzir o número estendido de recursos a serem fornecidos como entrada para o classificador. Dois testes estatísticos serão utilizados para rastrear características relevantes para a tarefa de classificação: a análise de variância (ANOVA) de uma via, quando todos os grupos foram distribuídos normalmente, e o teste de Kruskal-Wallis, caso contrário. A normalidade dos grupos será verificada por meio do teste de Kolmogorov-Smirnov. Para todos os testes, um valor de p < 0,05 será considerado estatisticamente significativo.

A. Implementação do modelo Uma Support Vector Machine (SVM) não linear com kernel gaussiano é o algoritmo escolhido para esta pesquisa. O desempenho da classificação será medido através da precisão e da pontuação média do F1. Ambas as métricas serão fornecidas para a descrição dos desempenhos da classificação geral e obtidos nos subgrupos de gênero.