利用机器学习探索自闭症中的语音模式障碍
声音
2024-05-09 v1 人工智能
计算与语言
音频与语音处理
摘要
由于受影响个体的语音相关症状表现微妙且多样，通过从检查者-患者对话中识别异常语音模式来诊断自闭症谱系障碍（ASD）面临重大挑战。本研究提出了一种综合方法，通过分析检查者-患者对话来识别独特的语音模式。利用一个记录对话的数据集，我们提取了40个语音相关特征，分为频率、过零率、能量、频谱特性、Mel频率倒谱系数（MFCCs）和平衡。这些特征涵盖了语音的各个方面，如语调、音量、节奏和语速，反映了ASD中交流行为的复杂性质。我们采用机器学习进行分类和回归任务以分析这些语音特征。分类模型旨在区分ASD与非ASD病例，准确率达到87.75%。我们开发了回归模型来预测与语音模式相关的变量以及所有变量的综合得分，从而促进对与ASD相关的语音动态的深入理解。机器学习在解释复杂语音模式方面的有效性和高分类准确率突显了计算方法在支持ASD诊断过程中的潜力。这种方法不仅有助于早期检测，还通过提供对ASD个体语音和交流特征的洞察，为个性化治疗规划做出了贡献。
引用
@article{arxiv.2405.05126,
title = {Exploring Speech Pattern Disorders in Autism using Machine Learning},
author = {Chuanbo Hu and Jacob Thrasher and Wenqi Li and Mindi Ruan and Xiangxu Yu and Lynn K Paul and Shuo Wang and Xin Li},
journal= {arXiv preprint arXiv:2405.05126},
year = {2024}
}