自动病理说话检测中的语音模式影响

Jun, 2024

自动病理说话检测中的语音模式影响

Impact of Speech Mode in Automatic Pathological Speech Detection

Shakeel A. Sheikh, Ina Kodrasi

TL;DR自动病理性言语检测方法在识别不同病理情况方面表现出有希望的结果。本文研究了言语模式对于自动病理性言语检测方法的影响，并对传统机器学习和深度学习两类方法进行了分析。结果表明，传统方法在捕获自发言语中的病理鉴别线索方面存在困难，相比之下，深度学习方法表现出更高的性能，能够提取在非自发言语中无法获得的额外线索。

Abstract

automatic pathological speech detection approaches yield promising results in identifying various pathologies. These approaches are typically designed and evaluated for phonetically-controlled speech scenarios, where speakers are prompted to articulate identical phonetic content. While

automatic pathological speech detection spontaneous speech classical machine learning deep learning pathology-discriminant cues

发现论文，激发创造

病理语音检测的自监督学习

语音产生是一个复杂的现象，通过思维加工、运动规划和发音运动的执行，大脑协调一系列过程。然而，这些多种过程的复杂执行容易受到各种神经退行性病理性言语障碍的影响和干扰，如帕金森病，导致话语障碍、运动障碍等情况。这些障碍导致异常的言语模式和不清晰的表达。为了解决这些挑战，已提出了几种自动病理性言语检测方法，主要侧重于输入表示和分类器的应用。由于数据有限，检测的性能仍然不甚理想。自我监督学习嵌入，如 wav2vec2 及其多语言版本，被认为是提高性能的有希望途径。这些嵌入利用自我监督学习技术从音频数据中提取丰富的表征，从而为解决标签数据稀缺性所带来的限制提供了潜在的解决方案。

May, 2024

自动病理可懂性评估的解缠离散语音表征

使用网络的解耦语音表示方法，从大量不同发言者收集到的语音数据中，实现对小量特定发言者语音智力的客观量化计算。

Apr, 2022

一种病理性语音合成的客观评估框架

利用现有的检测和分析技术，本文提出了一个评估综合框架，用于评估不同水平言语清晰度的发音障碍语音合成。该框架可评估语音质量和可懂性方面，且经实验证明具有互补性。使用我们提出的评估框架，我们发展和测试了一种发音障碍语音转换系统，并展示其表现良好。

Jul, 2021

探索用于病理语音特征预测的迁移学习：层选择的影响

通过选择最佳层，我们发现转移学习对预测病理性言语的存在具有重要影响，并提供了大幅性能的提升。对于预测特征，最佳层因数据变化而变化，并且不能总是很好地推广到未见数据。在分布内，学习到的加权和与平均最佳层提供了可比较的性能，对于分布外的数据具有更好的泛化能力。

Feb, 2024

语音匿名化对病理学的影响及其局限性

对匿名化技术在病理性语音中的影响进行了研究，发现它可以增强隐私性，同时强调了为了应对逆向攻击，需要采用定制化方法来平衡隐私和诊断效用。

Apr, 2024

关于自动发音障碍语音评估可靠性的研究

自动化失语症评估可以开发低成本而有效的工具来解决手动和主观评估的当前局限，但目前的方法是否依赖于与失语症相关的说话模式或外部因素尚不清楚。本文研究噪音对记录的失语症的影响，设计并实现了一种新的方法来可视化和比较特征提取器和模型，使用 UA-Speech 数据集，旨在提高研究社区对建立可靠的自动失语症评估系统要求的认识。

Jun, 2023

利用大型语言模型检测帕金森病的自发语言变化

利用大型语言模型，通过自发语音进行自动检测帕金森病的精确度高达 73%。

Apr, 2024

一个综合的标注病理语音的准则

我们在本研究中介绍了一种基于语音质量不同维度（包括音素、流利度和韵律）的综合性评分标准。通过利用 Prautocal 语料库，我们进行了两个实验，分别对音素和流利度进行评估。结果显示，评估这些现象的复杂性取决于检测到的特定类型的不流畅性，但我们观察到了积极的趋势。

Apr, 2024

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

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。

Nov, 2022

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