Искусственный интеллект и распознавание доброкачественных поражений голосовых связок

Следователи соберут аудиозаписи участников с дисфонией, пострадавших от BLVF. Все образцы голоса будут разделены на следующие группы на основании эндоскопического диагноза: кисты голосовых складок, отек Рейнке, узелки и полипы. Звуковые дорожки будут получены, если попросить произнести с обычной интенсивностью, высотой и качеством голоса слово /aiuole/ три раза подряд. Голоса будут записываться с использованием микрофона Shure модели SM48 (Evanston IL), расположенного под углом 45° на расстоянии 20 см от рта пациента. Входной сигнал насыщения микрофона будет зафиксирован на уровне 6/9 канала CH1, а уровень шума окружающей среды будет <30 дБ уровня звукового давления (SPL). Сигналы будут записаны в формате ".nvi" на аудио-рекордере высокой четкости Computerized Speech Lab, модель 4300B, от Kay Elemetrics (Lincoln Park, NJ, USA) с частотой дискретизации 50 кГц и преобразованы в формат ". формат "wav". Каждый аудиофайл будет анонимно помечен полом и типом BLVF.

Конвейер анализа Все последующие анализы будут выполняться с использованием MatLab R2019b, MathWorks, Natick MA, США. Конвейер анализа включал предварительную обработку сигналов, извлечение признаков, их скрининг и реализацию модели.

Извлечение признаков Из сегментированного сигнала будет извлечено 66 различных признаков во временной, частотной и кепстральной областях. Затем для извлеченных признаков будут вычислены семь статистических показателей, а именно: среднее значение, стандартное отклонение, асимметрия, эксцесс, 25-й, 50-й и 75-й процентили. Кроме того, из всего несегментированного сигнала будут получены джиттер, мерцание и наклон спектра мощности.

Скрининг признаков Скрининг признаков будет применяться с использованием биостатистического анализа всего набора данных, чтобы уменьшить количество дополнительных признаков, которые необходимо предоставить в качестве входных данных для классификатора. Два статистических теста будут использоваться для проверки соответствующих функций для задачи классификации: однофакторный дисперсионный анализ (ANOVA), когда все группы были нормально распределены, и тест Крускала-Уоллиса в противном случае. Нормальность групп будет проверена с помощью теста Колмогорова-Смирнова. Для всех тестов значение p <0,05 будет считаться статистически значимым.

A. Реализация модели Алгоритмом, выбранным для данного исследования, является нелинейная машина опорных векторов (SVM) с ядром Гаусса. Эффективность классификации будет измеряться точностью и средним баллом F1. Обе метрики будут предоставлены для описания результатов общей классификации и результатов, полученных по гендерным подгруппам.