СРАВНИТЕЛЬНАЯ ОЦЕНКА КЛАССИЧЕСКИХ И ГЛУБОКИХ МОДЕЛЕЙ ОБУЧЕНИЯ ДЛЯ РАННЕГО ВЫЯВЛЕНИЯ ДИЗАРТЕРИИ

Аннотация

В данной статье анализируются научные основы и практическая эффективность применения методов машинного обучения и глубокого обучения для автоматического выявления дизартрии и оценки её степени. Дизартрия является распространённым симптомом неврологических заболеваний, таких как болезнь Паркинсона, нарушение мозгового кровообращения, детский церебральный паралич и рассеянный склероз, что приводит к нарушениям артикуляционных, просодических и резонансных компонентов речи. Из-за субъективности и временных затрат традиционной клинической диагностики растёт спрос на автоматизированные системы обработки речи. В ходе исследования использовались датасеты UA-Speech и TORGO, сравнивались классические модели машинного обучения — RandomForest, XGBoost, LightGBM, SVM, LogisticRegression и MLPClassifier — а также методы глубокого обучения на основе архитектуры CNN. Модели оптимизировались с помощью GridSearchCV, а выраженный дисбаланс данных обрабатывался методами ADASYN и class weight. Основные акустические признаки, такие как MFCC, Mel-спектрограммы и pitch, были использованы для формирования пространства признаков. Полученные результаты показали, что модели машинного обучения могут обеспечивать высокую точность в выявлении признаков дизартрии, а гибридные подходы с использованием CNN повышают общую эффективность. Данное исследование создаёт основу для разработки автоматизированных систем ранней диагностики дизартрии и способствует развитию технологий, ориентированных на применение в клинической практике.