本研究提出了一种基于WavLM特征的分类器,能够从语音中预测说话者的年龄、性别、母语、教育和国家等人口特征。该方法实现了年龄预测的平均绝对误差为4.94,性别分类准确率超过99.81%,显著提高了预测精度。
本研究解决了语音基础的帕金森病检测模型可解释性不足的问题,评估了多种可解释性方法以识别特有的语音特征,支持临床决策。尽管结果一致,但专家提供的信息仍显不足。
本文介绍了为韩国自闭症儿童开发的语音语料库,旨在推动语音技术在发音和严重程度评估方面的应用。通过分析自闭症儿童的语音特征,揭示了其与典型儿童的差异,为自动评估系统的开发提供了潜力。
该文综述机器学习在自闭症谱系障碍诊断中的应用:通过不同算法筛选关键特征实现自动化诊断,并以聚类分析确定最佳模型;语音处理技术可评估儿童口语发展,F1宏分数达82.6%和67.8%;语音与文本特征联合模型在区分多种神经精神障碍时表现更佳;变分自编码器提取脑影像特征可提高分类精度;开源隐私保护数据集MMASD支持治疗监测;深度学习方法借助Siamese框架等实现两岁以下儿童早期诊断;动作学分析中端到端模型动作一致性更好,手工特征在特定任务中表现出色;研究还分析了奇怪言辞子量表与相关量表的关联及三类元数据对分类准确性的影响。
完成下面两步后,将自动完成登录并继续当前操作。