机构名称：
¥ 1.0
医疗保健行业目前正在看到移动设备的使用大幅上升。这些设备不仅提供了多媒体信息（例如临床记录和医疗记录）的沟通和共享的方法，而且还为人们提供了新的可能性，可以随时随地检测，监控和管理其健康。数字健康技术有可能通过提高患者护理的效率，有效和具有成本效益来改善患者护理。利用数字设备和技术可以对许多健康状况产生积极影响。这项研究的重点是吞咽困难，这是声音的变化，在生活中某个时候影响了大约三分之一的人。语音障碍越来越普遍，尽管经常被忽视。移动医疗系统可以为检测语音疾病提供快速有效的帮助。要使这些系统可靠和准确，重要的是要开发可以对智能健康和病理声音进行分类的算法。为了完成这项任务，我们利用了几个数据集的组合，例如Saarbruecken语音数据集（SVD），Massachusetts Eye and Ear extermary Database（MEEI）（MEEI）（MEEI），以及一些各种声音（健康和病理学）的私人数据集，此外，我们还应用了多个机器学习Algorith，包括多个机器的范围，并确定了多个机器的范围，并确定了vector and Supports，并确定了vector vector，并确定了vector，并确定了森林，并确定了森林，并在内它们以检测语音障碍。实验分析是根据灵敏度，准确性，接收器操作特征，特异性，F-评分和召回率进行的。结果表明，根据使用适当的特征选择方法选择的功能，支持向量机算法被证明是检测语音疾病最准确的。
使用机器学习算法检测语音障碍
主要关键词
相关文件推荐
