“`html
Оценка влияния шума на модели машинного обучения для оценки нарушений голоса
Глубокое обучение стало мощным инструментом для классификации патологических голосов, особенно в шкале GRBAS (Grade, Roughness, Breathiness, Asthenia, Strain). Традиционные методы классификации патологических голосов часто основываются на ручном извлечении признаков и субъективном анализе, что может быть трудоемким и неоднородным. Техники глубокого обучения, такие как 1D-сверточные нейронные сети (1D-CNN), предлагают значительные преимущества, автоматически извлекая соответствующие признаки из сырых аудиоданных, захватывая сложные узоры и нюансы, характерные для определенных патологических состояний.
Влияние шума на точность моделей
Однако шум может существенно влиять на точность этих моделей. Поскольку они полагаются на извлечение тонких признаков из голосовых сигналов, любой фоновый шум или искажение может затемнить важные характеристики, приводя к неправильной классификации. Шум из окружающей среды записи, оборудования или фоновых звуков представляет собой критическое препятствие в создании надежных систем обнаружения патологий голоса. Часто используются методы предварительной обработки, такие как уменьшение шума и улучшение сигнала, но они могут быть недостаточными для устранения влияния шума на производительность классификации.
Исследование влияния шума на оценку GRBAS
В этом контексте недавно была опубликована статья в журнале The Laryngoscope, которая направлена на оценку влияния фонового шума на модели машинного обучения, используемые для оценки шкалы GRBAS при оценке нарушений голоса.
В этом исследовании авторы создали уникальный набор данных из голосовых образцов клинических пациентов, записанных в звукоизолированной комнате. Эти образцы были оценены согласно шкале GRBAS отоларингологами и экспертом по речевой терапии. Медианные значения оценок были приняты в качестве правильных ответов, а согласованность оценщиков оценивалась с использованием альфа-коэффициента Криппендорфа.
Модель машинного обучения представляла собой 5-слойную 1D-CNN, созданную и оцененную с использованием TensorFlow. Набор данных был разделен на 80% обучающих, 10% проверочных и 10% тестовых данных. Процесс обучения проводился без данных о шуме. К тестовым образцам добавлялся гауссовский шум различной интенсивности для оценки устойчивости к шуму. Производилась оценка производительности модели с использованием точности, F1-меры и квадратичной взвешенной оценки каппа Коэна при различных условиях шума. Исследование подчеркивает значение шума как вызов в применении моделей машинного обучения к реальным сценариям, таким как комнаты обследования.
Набор голосовых образцов, сбалансированный по возрасту и полу, показал, что модель глубокого обучения хорошо справляется с данными без шума. При увеличении интенсивности гауссовского шума метрики производительности значительно ухудшились, с резким падением точности при максимальном уровне шума. Это ухудшение наблюдалось по всем параметрам GRBAS, причем определенные шкалы показали наиболее значительное снижение.
Исследование показало, что фоновый шум серьезно влияет на точность модели и метрики производительности. Эффективность модели снижалась с увеличением уровня шума, подчеркивая ее уязвимость к реальным условиям. Определенные компоненты GRBAS оказались более чувствительными к шуму. Исследование предлагает внедрение шумоустойчивых техник, таких как аугментация данных и уменьшение шума, для повышения устойчивости модели. Ограничения включают небольшое количество оценщиков и использование только одного типа голосовых образцов, что может не полностью охватить изменчивость нарушений голоса. Последующая работа должна решить эти вопросы с целью улучшения обобщаемости модели и ее производительности в шумных средах.
В заключение, производительность модели значительно снизилась с увеличением фонового шума, что повлияло на оценочные метрики. Будущие исследования должны фокусироваться на разработке методов, устойчивых к шуму, таких как аугментация данных, для улучшения устойчивости модели в реальных условиях. Улучшение надежности шкалы GRBAS может сделать ее ценным инструментом как для врачей, так и для пациентов. Автоматизированные оценки могут способствовать более раннему выявлению заболеваний, что приведет к более эффективным методам лечения и лучшей поддержке в реабилитации.
Ссылки и контакты
Подробнее о исследовании можно узнать здесь. Вся заслуга за это исследование принадлежит его ученым. Также не забудьте подписаться на наш Twitter и присоединиться к нашей Telegram-группе и группе в LinkedIn. Если вам понравилась наша работа, вам понравится наш бюллетень.
Не забудьте присоединиться к нашему сообществу в ML SubReddit.
Находите предстоящие вебинары о ИИ здесь.
Ссылка на источник статьи: MarkTechPost