Artificiell intelligens och benigna lesioner av stämbandsigenkänning

Utredarna kommer att samla in ljudinspelningar av dysfoniska deltagare som drabbats av BLVF. Alla röstprover kommer att delas in i följande grupper utifrån den endoskopiska diagnosen: stämbandscystor, Reinkes ödem, knölar och polyper. Ljudspåren kommer att erhållas genom att be att uttala ordet /aiuole/ tre gånger i rad med vanlig röstintensitet, tonhöjd och kvalitet. Röster kommer att inhämtas med en Shure-modell SM48-mikrofon (Evanston IL) placerad i en vinkel på 45° på ett avstånd av 20 cm från patientens mun. Ingången för mikrofonmättnad kommer att vara fixerad till 6/9 av CH1 och omgivningsbruset var <30 dB ljudtrycksnivå (SPL). Signalerna kommer att spelas in i ".nvi"-format med en högupplöst ljudinspelare Computerized Speech Lab, modell 4300B, från Kay Elemetrics (Lincoln Park, NJ, USA) med en samplingsfrekvens på 50 kHz frekvens och omvandlas till ". wav"-format. Varje ljudfil kommer att märkas anonymt med kön och typ av BLVF.

Analyspipeline Alla följande analyser kommer att utföras med MatLab R2019b, MathWorks, Natick MA, USA. Analyspipelinen inkluderade signalförbehandling, extrahering av funktioner, screening av funktionerna och modellimplementering.

Funktionsextraktion På den segmenterade signalen kommer 66 olika funktioner i tids-, frekvens- och cepstraldomänen att extraheras. Sedan kommer sju statistiska mått att beräknas på de extraherade egenskaperna, nämligen: medelvärde, standardavvikelse, skevhet, kurtosis, 25:e, 50:e och 75:e percentilerna. Dessutom kommer jitter, skimmer och lutning av effektspektrumet att erhållas från hela den osegmenterade signalen.

Funktionsscreening Funktionsscreening kommer att tillämpas med hjälp av biostatistiska analyser på hela datasetet, för att minska det utökade antalet funktioner som ska ge som input till klassificeraren. Två statistiska test kommer att användas för att screena relevanta egenskaper för klassificeringsuppgiften: envägsvariansanalysen (ANOVA), när alla grupperna var normalfördelade, och Kruskal-Wallis-testet, annars. Gruppernas normalitet kommer att verifieras genom Kolmogorov-Smirnov-testet. För alla tester kommer ett p-värde <0,05 att anses vara statistiskt signifikant.

A. Modellimplementering En icke-linjär Support Vector Machine (SVM) med en Gaussisk kärna är den algoritm som valts för denna forskning. Klassificeringsprestandan kommer att mätas genom noggrannheten och den genomsnittliga F1-poängen. Båda måtten kommer att tillhandahållas för beskrivningen av de övergripande klassificeringsprestationerna och de som erhålls för könsundergrupper.