基于语音信号的精神稳定性分类的新型迁移学习方法
声音
2026-01-26 v1 神经与进化计算
音频与语音处理
摘要
本研究提出一种新颖的迁移学习方法和数据增强技术，用于基于人类语音信号的精神稳定性分类，解决数据稀缺的挑战。卷积神经网络（CNN）被用于分析由语音录音生成的语谱图图像。评估了三种 CNN 架构（VGG16、InceptionV3 和 DenseNet121），并在三个实验阶段进行测试：训练非增强数据、训练增强数据、迁移学习。该方法的迁移学习涉及在增强数据集上进行预训练，然后在非增强数据集上进行微调，同时确保严格的数据分离以防止数据泄漏。结果表明，该方法的分类性能显著优于基线方法。在三种 CNN 架构中，DenseNet121 使用所提出的迁移学习方法实现了最高的 94% 准确率和 99% 的 AUC 分数。这一发现突显了将数据增强与迁移学习结合用于语音语谱图的精神稳定性分类的有效性，为非侵入性的精神健康诊断提供了有前景的工具。
引用
@article{arxiv.2601.16793,
title = {A Novel Transfer Learning Approach for Mental Stability Classification from Voice Signal},
author = {Rafiul Islam and Md. Taimur Ahad},
journal= {arXiv preprint arXiv:2601.16793},
year = {2026}
}