PulseAugur
中
实时 12:27:24
English(EN) A Hierarchical Feature Engineering Framework for Automated Classification of Phonotraumatic and Non-Phonotraumatic Vocal Hyperfunction

AI框架对发声过度功能亚型进行分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个分层特征工程框架，利用颈部表面加速度数据自动分类发声过度功能的亚型。该方法整合了静态、动态、比率和耦合特征，以区分声创伤性（PVH）、非声创伤性（NPVH）和健康的发声模式。该框架在PVH上的AUC为0.891，在NPVH上的AUC为0.728，突显了耦合特征在准确分类中的重要性。 AI

影响 为言语病理学中的医学诊断引入了一种新颖的AI驱动方法。

排序理由 这是一篇研究论文，详细介绍了一个新框架及其在特定分类任务上的性能。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · June-Woo Kim, Kangwook Jang, Minu Kim, Hyunju Lee ·

    用于声创伤性和非声创伤性声带过度活动症自动分类的分层特征工程框架

    arXiv:2606.07673v1 Announce Type: cross Abstract: Ambulatory neck-surface acceleration enables non-invasive monitoring of vocal hyperfunction, yet robust biomarkers for its subtypes remain limited. This study investigates the NeckVibe Challenge dataset to distinguish phonotraumat…

相关话题