Detección de sigmatismo con ayuda del aprendizaje automático

La investigación está dedicada a la detección automática del sigmatismo en el habla de adultos de habla alemana. Tiene dos objetivos principales: (1) encontrar un conjunto óptimo de características de audio que permita distinguir entre el habla normal y la desordenada; (2) crear un algoritmo de clasificación de aprendizaje automático (ML) capaz de analizar las características extraídas y detectar el sigmatismo a nivel de teléfono.Las características se seleccionan en función del fondo fonético de los sonidos considerados.Incluyen los tres primeros formantes, la amplitud de la media cuadrática (RMS), los picos espectrales, el centroide espectral, la asimetría espectral y los 12 primeros coeficientes cepstrales de frecuencia mel (MFCC).Para la detección de sigmatismo se consideran tres métodos ML: Support Vector Machine, Gaussian Process y Neural Networks. El proceso de extracción de características, así como la clasificación automática, se realizan mediante scripts de Python. Como resultado, el modelo basado en SVM con el kernel RBF mostró la tasa de precisión más alta, del 90,6 %.