社交焦虑的声学特征：基于假设检验与机器学习方法的探索
声音
2022-07-19 v1 音频与语音处理
摘要
背景——社交焦虑(SA)是一种常见且致弱的疾病，即使在亚诊断阈值下也会负面影响生活质量。我们试图利用假设检验与机器学习(ML)方法刻画SA的声学特征。方法——参与者形成自发话语，回应拒绝或同意所谓同伴指令的要求。分析了这些话语的声学属性(如强度与时长)。结果——我们假设，与低SA(n=31)相比，高SA(n=32)个体表现出较不自信的语音特征，尤其在拒绝话语方面，该假设仅得到经典假设检验方法的部分支持。然而，ML分析尤其是决策树分类器的结果与SA中的此类言语模式一致。使用高斯过程(GP)分类器，我们得以以高(75.6%)准确率和良好(.83 AUC)可分性区分高、低SA个体。我们也预期并发现声学属性可区分拒绝与同意话语。结论——我们的发现进一步支持了ML方法用于精神病理学研究的有用性，突出了开发自动技术以创建社交焦虑障碍(SAD)行为标记的效用。临床上，这些操作的简便与可及性可鼓励人们寻求专业帮助。
引用
@article{arxiv.2207.08534,
title = {The Vocal Signature of Social Anxiety: Exploration using Hypothesis-Testing and Machine-Learning Approaches},
author = {Or Alon-Ronen and Yosi Shrem and Yossi Keshet and Eva Gilboa-Schechtman},
journal= {arXiv preprint arXiv:2207.08534},
year = {2022}
}