基于机器学习的颈部听诊用于饮食困难症评估
声音
2024-07-09 v1 人机交互
音频与语音处理
摘要
本研究评估了使用机器学习（ Specifically 随机森林分类器）来区分正常和病理性吞咽声的方法。采用商业可用可穿戴听诊器，我们记录了来自健康成年人和饮食困难患者的吞咽样本。分析结果显示，在正常和病理性吞咽之间，存在声学特征（如谱峰值和零交叉率）的统计显著差异，但不同液体和食物稠度之间未显示辨别差异。该系统对饮食困难患者的吞咽样本表现出公平的灵敏度（均值±标准差：74%±8%）和特异度（89%±6%），模型整体准确率为83%±3%，F1得分78%±5%。这些结果表明，机器学习可以是非侵入性饮食困难评估的有价值工具，尽管存在抽样率限制以及在区分正常和病理性声音方面灵敏度和特异度可变性等挑战。该研究强调了进一步研究以优化这些技术用于临床应用的必要性。
引用
@article{arxiv.2407.05870,
title = {Cervical Auscultation Machine Learning for Dysphagia Assessment},
author = {An An Chia and Stacy Lum and Michelle Boo and Rex Tan and Balamurali B T and Jer-Ming Chen},
journal= {arXiv preprint arXiv:2407.05870},
year = {2024}
}
备注
International Conference on Signal Processing and Communications (SPCOM) July 01 - 04, 2024