Pesquisa sobre Reconhecimento Patológico de Voz Baseada no XGBoost

Resumo

Aqui, apresentamos um protocolo para estabelecer um modelo de IA não invasivo baseado em XGBoost para diagnosticar pólipos de cordas vocais usando o banco de dados de Saarbrücken.

Resumo

Com o crescimento contínuo da comunicação social humana, o número de pessoas que sofrem de distúrbios vocais também está aumentando. Devido às vantagens objetivas e não invasivas dos métodos de detecção acústica para voz patológica, o uso da análise de sinais de fala para reconhecimento patológico de voz tornou-se um ponto de encontro de pesquisa. Este artigo selecionou inicialmente 101 vogais contínuas /a/ do banco de dados alemão SVD como objeto de pesquisa. Em segundo lugar, usando tecnologia de pacotes wavelet para análise tempo-frequência, quatro parâmetros dinâmicos não lineares, a saber, entropia aproximada, entropia amostral, entropia difusa e entropia de permutação, são extraídos dos subsinais como o conjunto de parâmetros de características para o classificador de voz patológico. Por fim, o algoritmo de aprendizado de máquina XGBoost é selecionado como método de reconhecimento de padrões para estabelecer um classificador de voz patológico, e o desempenho da classificação é verificado usando validação cruzada de cinco vezes e curva ROC. Resultados experimentais mostraram que a precisão do classificador de voz patológico do XGBoost é 0,857, a pontuação F1 é 0,875 e o valor AUC é 0,944, todos maiores que o classificador construído pela SVM, indicando que o XGBoost tem melhor desempenho em reconhecimento de voz patológico.

Introdução

O número de pessoas que sofrem de distúrbios vocais está aumentando constantemente. Segundo estatísticas, um terço da população enfrenta problemas de voz em algum momento da^{vida 1}. Para usuários profissionais de voz, como cantores e professores, devido ao uso frequente e abuso da voz, a incidência de doenças da garganta é maior. Dois estudos realizaram pesquisas com professores em Tianjin e Urumqi, e os resultados mostraram que a probabilidade de sofrer de distúrbios vocais é de 33,81% e 28,23%, respectivamente ^2,3. Como resultado, há uma ênfase crescente na detecção e diagnóstico da voz patológica na prática clínica. Atualmente, métodos de avaliação subjetiva, exame de laringuscopia e métodos de detecção acústica são usados principalmente para o diagnóstico de doenças vocais na prática^{clínica 4,5}. O método de detecção acústica converte sinais de voz em sinais digitais para pesquisa, garantindo objetividade e evitando dor do paciente durante o^{exame 6}. Portanto, a detecção acústica tornou-se uma ferramenta auxiliar eficaz para médicos no diagnóstico clínico, e as pesquisas sobre ela estão em aumento.

As técnicas mais importantes para diagnosticar a voz patológica usando métodos de análise acústica são extração de características e reconhecimento de padrões. Desde a década de 1960, pesquisadores vêm extraindo alguns parâmetros acústicos tradicionais para o estudo da voz patológica e encontraram muitos parâmetros de características acústicas eficazes e robustas, como perturbação de frequência fundamental, perturbação de amplitude e coeficientes cepstrais de frequência Mel (MFCC⁾⁷. Nos últimos anos, os pesquisadores não se limitaram apenas ao estudo de parâmetros característicos acústicos tradicionais, mas parâmetros dinâmicos não lineares também começaram a ser usados no campo do reconhecimento patológico^{de voz.} Também tem um efeito muito bom. Com o rápido desenvolvimento do aprendizado de máquina, surgiram mais métodos de reconhecimento de padrões com alta velocidade de corrida e bom desempenho na classificação. Existem também cada vez mais métodos de reconhecimento de padrões usados no reconhecimento patológico de voz, como máquinas de vetores de suporte (SVM), floresta aleatória, redes neurais, deep learning ^9,10. O XGBoost é um método de reconhecimento de padrões que ganhou atenção nos últimos^{anos 11}. Não requer normalização de características e pode selecionar recursos por conta própria. Ele pode se adaptar a várias funções de perda e utiliza termos de regularização para evitar o excesso de ajuste. Possui características de alta velocidade, portabilidade e tolerância a falhas. Portanto, este artigo tenta aplicar o método XGBoost ao reconhecimento patológico de voz para alcançar melhores resultados de reconhecimento.

Protocolo

O fluxo de trabalho técnico deste estudo é ilustrado na Figura 1.

1. Aquisição de amostras de voz

1. Fontes dos dados experimentais do SVD na Alemanha¹².
2. Obtenha 101 casos de dados vocálicos /a/, incluindo 45 casos (19 homens e 26 mulheres) de pacientes com pólipo vocal e 56 casos (28 homens e 28 mulheres) de indivíduos normais.

2. Decomposição por pacotes wavelet de dados de voz¹³

1. Realize uma busca exaustiva em três wavelets de Daubechies (db1, 3, 5) e três profundidades de decomposição (4, 6, 8 níveis) usando o software MATLAB R2023a.
2. Use uma taxa de amostragem de 16 kHz, uma decomposição de pacotes wavelet db3 (WPD) de quatro níveis para dividir o sinal de fala em 16 subbandas (resolução de 500 Hz cada) (Figura 2).

3. Extração de parâmetros de características

1. Extraia sequências discretas de coeficientes das 16 subbandas obtidas via WPD de 4 níveis pelo Python 3.10, servindo como valores de entrada para todas as equações de entropia descritas abaixo.
   NOTA: Todas as equações usadas neste estudo foram derivadas de algoritmos previamente publicados (como nasreferências r) e não foram derivadas de forma independente.
2. Calcule a entropia aproximada para as 16 sequências de subbandas WPD usando a fórmula^{abaixo 14}:
   (1)
   (2)
   Cim (r)={d[X(i), X(j)]Parâmetros: A dimensão do padrão m é escolhida como 2, e a tolerância de similaridade r é selecionada como 0,1 a 0,25 vezes o desvio padrão¹⁴.
3. Calcule a entropia amostral para as 16 sequências de subbandas WPD usando a fórmula abaixo¹⁵:
   (4)
   (5)
   B_i^m (r) = {d[X(i), X(j)]Parâmetros: A dimensão do padrão m é escolhida como 1 ou 2, e a tolerância de similaridade r é selecionada como 0,1 a 0,25 vezes o desvio padrão¹⁵.
4. Calcule a função de pertença difusa com a fórmula^{abaixo 16}:
   (7)
5. Calcule a entropia difusa com a fórmula abaixo^{de 17}:
   (8)
   (9)
   (10)
   Parâmetros: A dimensão do padrão m é escolhida como 2, e a tolerância de similaridade r é selecionada como 0,15 vezes o desvio padrão.
6. Calcule a entropia de permutação com a fórmula abaixo^{de 18}:
   (11)
   Parâmetros: A dimensão do padrão m é escolhida como 6, e o atraso de tempo L = 2 foi finalmente determinado para extração de entropia por permutação.

4. Estabelecimento de modelos

1. Divida amostras de voz de pacientes normais e pacientes com pólipos das cordas vocais em um conjunto de dados de treinamento e um conjunto de dados de teste na proporção de 8:2.
2. Use o conjunto de dados de treinamento para ajuste de parâmetros e treinamento de modelos, e então aplique o classificador resultante ao conjunto de dados de teste para classificação de doenças.
3. Execute o procedimento de modelagem SVM usando Python 3.10.
   1. Confirme a natureza não linear dos dados comparando o desempenho do kernel SVM. Testes iniciais com um núcleo linear apresentaram baixa precisão, enquanto o núcleo da função base radial (RBF) melhorou significativamente os resultados de classificação, demonstrando que o espaço de características requer uma fronteira de decisão não linear.
   2. Use os vetores de características de entropia de 16 dimensões (extraídos via WPD) como entrada para o classificador SVM. Implemente um kernel RBF para mapear as características não lineares da voz em um espaço de alta dimensão.
   3. Realize uma busca em grade usando Python (scikit-learn) para identificar a combinação ótima do coeficiente de penalidade C e da largura do kernel γ durante a fase de treinamento. Avalie cada conjunto de parâmetros maximizando a taxa de reconhecimento de validação cruzada.
   4. Treine o modelo SVM usando amostras de voz de indivíduos normais e pacientes com pólipos das cordas vocais. Use os hiperparâmetros ótimos obtidos na busca em grade para construir o modelo treinado final.
   5. Aplique o modelo treinado a amostras de teste não vistas. Cada amostra de teste passa pelo mesmo procedimento de extração de WPD e entropia que os dados de treinamento. A SVM prevê o rótulo binário da classe (pólipos normais vs. pólipos das cordas vocais) com base na posição espacial do vetor de característica de teste em relação à fronteira de decisão otimizada.
4. Execute o procedimento de modelagem XGBoost usando Python 3.10.
   1. Use uma busca em grade baseada em Python para otimizar hiperparâmetros-chave (incluindo taxa de aprendizado e profundidade da árvore) durante a fase de treinamento. Avalie múltiplas combinações de parâmetros por meio de validação cruzada para identificar a configuração que maximiza a precisão da classificação.
   2. Treine um classificador binário XGBoost usando as dezesseis características de entropia extraídas de amostras de voz. Aplique os hiperparâmetros ótimos obtidos na busca em grade para construir o modelo final.
   3. Teste o modelo treinado em um conjunto de validação independente composto por amostras não vistas. Essa etapa avalia a capacidade de generalização do classificador ao avaliar seu desempenho com dados não usados durante o treinamento.

5. Avaliação do desempenho do modelo

1. Conduza um método de validação cruzada em cinco etapas.
   1. Particione o conjunto de dados de voz pré-processado aleatoriamente em cinco dobras iguais. Use quatro folds como conjunto de treinamento para construir o modelo e use o restante como conjunto de validação para avaliação de desempenho.
   2. Repita esse processo cinco vezes. Use a média dos resultados das cinco iterações como desempenho final do modelo.
2. Obtenha a matriz de confusão.
   1. Gerar a matriz de confusão comparando os rótulos previstos do classificador com os rótulos de verdade para todas as amostras de teste, de acordo com os resultados de validação cruzada de cinco vezes. Agregue essas comparações individuais em uma tabela de contingência usando a biblioteca scikit-learn em Python para quantificar classificações corretas e incorretas, conforme mostrado na Tabela 1.
3. Calcule a precisão, exatidão, sensibilidade e pontuação F1 para descrever a eficácia de um modelo de classificação. As fórmulas de cálculo relevantes são as seguintes.
   Precisão = (TP + TN)/(TP + TN + FP + FN)
   Precisão = TP/(TP + FP)
   Sensibilidade = Recordação = TPR = TP/(TP+ FN)
   F1 = (2 × Precisão × Recordação)/ (Precisão + Recordação)
   NOTA: Essas métricas (TP, TN, FP, FN) foram derivadas dos elementos da matriz de confusão.
4. Descreva a curva ROC com AUC.
   1. Plote a curva ROC para visualizar o equilíbrio entre a taxa de verdadeiros positivos (TPR) e a taxa de falsos positivos (FPR) em todos os limiares de classificação. Calcule a Área Sob a Curva (AUC) como uma métrica resumida para quantificar a capacidade discriminativa geral do modelo.
      NOTA: Um valor de AUC mais próximo de 1 indica uma probabilidade maior de que o classificador distinga corretamente entre indivíduos normais e aqueles com pólipos nas cordas vocais, independentemente do limiar específico de decisão.

Resultados

Neste estudo, a análise de pacotes wavelet foi empregada para realizar a decomposição tempo-frequência dos sinais de voz. Ao integrar parâmetros dinâmicos não lineares — incluindo entropia aproximada, entropia amostral, entropia difusa e entropia de permutação — as características de complexidade e irregularidade das vozes patológicas associadas a pólipos das pregas vocais foram sistematicamente caracterizadas. Dois classificadores de voz patológicos foram posteriormente construídos com ...

Discussão

O diagnóstico patológico da voz utilizando análise do sinal de fala representa uma abordagem não invasiva e^{objetiva 19}. Consequentemente, a classificação patológica da voz emergiu como um foco significativo de pesquisa em processamento e reconhecimento de sinais de fala, demonstrando valor substancial de aplicação clínica e perspectivas de desenvolvimento²⁰. Este estudo utilizou amostras de fala coletadas de SVD como corpora experimentais. ...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
MATLAB	O MathWorks	R2023a	Plataforma de software primária para computação numérica e prototipagem de algoritmos.
Software em Python	Fundação de Software Python	Python 3.10	Linguagem de programação central usada ao longo do estudo.
Banco de Dados de Voz Saarbruecken, SVD	Instituto de Fonética, Universidade do Sarre	Saarbrü Banco de Dados de Voz Cken (SVD)	Banco de dados público disponível de gravações de voz patológicas e normais. Contém vogais sustentadas e fala contínua de indivíduos com condições que incluem pólipos das cordas vocais, além de controles saudáveis. Usado para pesquisa acadêmica sob seus termos de acesso especificados.