语音样本

使用机器学习和通过智能手机录制的语音样本进行声音分析评估语音障碍

摘要：背景：将边缘计算集成到智能医疗保健系统中需要开发计算高效的模型和方法，以监视和检测患者的医疗状况。在这种情况下，移动设备（例如智能手机）越来越多地用于协助诊断，治疗和监测。值得注意的是，智能手机广泛普遍，很容易被大部分人口访问。这些设备使个人能够方便地记录和提交语音样本，从而有可能促进声音不规则或变化的早期发现。这项研究重点是基于智能手机捕获的人声样本来创建各种机器学习框架，以区分病理和健康的声音。方法：调查利用了公开发音的数据集，包括58个健康的语音样本和150个来自表现出病理状况的声音和机器学习技术的样本，通过使用MEL频率经常性经系系数来分类健康和患者的患者。结果：通过经过跨验证的两类分类，最佳的K-Neareb邻居表现出最高的性能，在识别健康和病理学的声音方面的准确率达到98.3％。结论：这项研究有望使智能手机能够有效识别人声疾病，为个人和医疗保健系统提供多种优势，包括提高可访问性，早期检测和持续监测。