Nov, 2022

失败的另一面：探究语音识别误差对随后痴呆症分类的影响

PDF
TL;DR研究使用自我监督学习的深度学习自动语音识别模型在临床设置中处理话语自然性上的困难，并探讨产生的错误对痴呆分类下游任务准确性的影响。结果表明，相对高错误率的自动语音识别系统可以产生更好的下游分类精度而非字面上的听写结果。
automated speech recognitionclinical applicationsdementia classificationdeep learninglinguistic anomalies
发现论文，激发创造
  • 有用的失误：自动语音识别错误是否可以提高下游痴呆分类？

    不完整的自动语音识别 ASR 转录有效捕捉与痴呆症相关的语言异常，提高分类任务的准确性。ASR 和分类模型之间的协同作用凸显了 ASR 在评估认知损害和相关临床应用中的潜在价值。

    Jan, 2024

  • 自动语音识别对阿尔茨海默病检测的影响：所有错误一视同仁，但删除比其他错误更为严重

    本研究发现，删除错误最大程度影响语法复杂性和言语中的话语表示等特征，因此在自动语音识别中加入惩罚删除错误的机制有助于提高认知障碍检测性能。

    Apr, 2019

  • 渐进性发音障碍对 ASR 性能的分析

    本文分析了自动语音识别模型在变化的语音环境下的性能衰减问题和如何通过个性化模型、连续录音等方法实现优化识别的目的。

    Oct, 2022

  • 失传于转录：识别和量化自动语音识别系统对不流利语音的准确性偏差

    这项研究评估了六个领先的自动语音识别系统对有语吃现象的言语的处理性能，并发现这些系统普遍存在的准确性偏差对不流利言语的处理，导致语法和语义不准确的转录，揭示了当前自动语音识别技术存在的重要差距，强调了有效的偏见缓解策略的必要性。

    May, 2024

  • 提高口语理解的 ASR 错误管理

    介绍了一种基于神经网络的自然语言处理方法，用于识别语音识别中的错误和改进语音理解系统的性能。实验结果表明，该方案可以显著降低概念 / 值错误率，并且结合基于条件随机场的 SLU 方法和神经编码器 / 解码器注意力机制，可以识别出置信度区间和不确定性的语义输出片段，进而决定适当的错误处理措施。

    May, 2017

  • 运用基于 ASR 的转录进行阿尔茨海默病分类：探究标点符号和停顿的影响

    本研究使用最新的自动语音识别技术，研究如何应用暂停符号和自动标点符号进行阿尔茨海默病分类，实验结果表明，这两种技术与手工转录结合可有效识别阿尔茨海默病。

    Jun, 2023

  • 德语语音识别：详细误差分析

    研究使用神经网络的自动语音识别系统，如何评估其预测的转录与语音输入的误差类别，评估结果指出交叉体系结构的预测错误，并查找错误来源，提出定量改善数据集和提高 ASR 系统鲁棒性的解决方案。

    Apr, 2022

  • 音频 - 文本蕴含的 ASR 错误检测

    提出了一种基于语音 / 文本内涵的新型端到端 ASR 错误检测方法，该方法通过将音频和对应的文本片段之间的内涵建模为端到端任务，并利用声学编码器和语言编码器来预测内涵，实验结果表明该方法可以有效降低医学术语方面的分类错误率 12% 和 15.4%。

    Jul, 2022

  • 面向特定领域语音识别的深度学习系统

    使用预训练的 DeepSpeech2 和 Wav2Vec2 声学模型，提出了基于领域的语音自动识别系统，并通过半监督机器注释的方式收集领域特定的数据，研究结果表明，该系统即使在具有更高的字词错误率的情况下，性能仍优于商业自动语音识别系统，且在人工转录的结果上也呈现出类似的效果。同时，也探讨了使用自动语音识别文字转录来辅助口语理解的可行性。

    Mar, 2023

  • 自然语言处理技术在自发言语中预测阿尔茨海默病方面的比较

    该研究使用 Spontaneous Speech 数据集文本转录，使用多种模型对 AD 和正常人的分类和预测进行训练和评估。结果表明，使用 TF-IDF 向量化器作为输入的 SVM 模型和使用 ' DistilBERT ' 的预训练模型作为简单线性模型的嵌入层的模型表现最佳，在分类指标上展示了测试集得分为 0.81-0.82 和 RMSE 为 4.58 的结果。

    Jun, 2020