NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Ölçülü ses kalıplarının analizi, disfoni ve ilgili fonasyon bozukluklarının tespiti ve değerlendirilmesinde yararlıdır. Bu makalede, ilk olarak temel frekans değişkenliği, genlik varyasyonları ve doğrusal olmayan ölçülerin 22 ses parametresi arasındaki doğrusal korelasyonları inceliyoruz. Yüksek korelasyona sahip ses parametreleri doğrusal diskriminant analiz yöntemi kullanılarak birleştirilir. Parzen-pencere tekniği ile tahmin edilen olasılık yoğunluk fonksiyonlarına dayanarak, küçük ICPR değerlerine sahip vokal parametrelerini baskın özellikler olarak seçmek ve değiştirilmiş Kullback-Leibler diverjansı (MKLD) özellik seçim yaklaşımı ile karşılaştırmak için bir sınıflararası olasılık riski (ICPR) yöntemi önermektedir. Deneysel sonuçlar, genelleştirilmiş lojistik regresyon analizinin (GLRA), destek vektör makinesinin (SVM) ve ICPR özellikleri ile birlikte gelen Bagging ensemble algoritma girdisinin, MKLD seçilen özelliklere sahip aynı sınıflandırıcılardan daha iyi sınıflandırma sonuçları sağlayabileceğini göstermektedir. SVM, normal vokal kalıplarını 0.8542 özgüllüğü ile ayırt etmede çok daha iyidir. Üç sınıflandırma yöntemi arasında, ICPR özelliklerine sahip Bagging topluluk algoritması, alıcının karakteristik eğriyi çalıştırması altında 0.9796 en yüksek hassasiyet ve 0.9558 en büyük alan değeri ile% 90.77 ses kalıplarını tanımlayabilir. Sınıflandırma sonuçları, disfonik ses algılama ve ölçümü için özellik seçimi ve desen analizi yöntemlerimizin etkinliğini göstermektedir.
Özgün kaynak özetini okuyun
Analysis of quantified voice patterns is useful in the detection and assessment of dysphonia and related phonation disorders. In this paper, we first study the linear correlations between 22 voice parameters of fundamental frequency variability, amplitude variations, and nonlinear measures. The highly correlated vocal parameters are combined by using the linear discriminant analysis method. Based on the probability density functions estimated by the Parzen-window technique, we propose an interclass probability risk (ICPR) method to select the vocal parameters with small ICPR values as dominant features and compare with the modified Kullback-Leibler divergence (MKLD) feature selection approach. The experimental results show that the generalized logistic regression analysis (GLRA), support vector machine (SVM), and Bagging ensemble algorithm input with the ICPR features can provide better classification results than the same classifiers with the MKLD selected features. The SVM is much better at distinguishing normal vocal patterns with a specificity of 0.8542. Among the three classification methods, the Bagging ensemble algorithm with ICPR features can identify 90.77% vocal patterns, with the highest sensitivity of 0.9796 and largest area value of 0.9558 under the receiver operating characteristic curve. The classification results demonstrate the effectiveness of our feature selection and pattern analysis methods for dysphonic voice detection and measurement.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.