Erkennung von Sigmatismus mit Hilfe von maschinellem Lernen

Die Forschung widmet sich der automatischen Erkennung von Sigmatismus in der Sprache von erwachsenen deutschen Sprechern. Sie hat zwei Hauptziele: (1) einen optimalen Satz von Audiomerkmalen zu finden, die eine Unterscheidung zwischen normaler und gestörter Sprache ermöglichen; (2) einen Machine Learning (ML) Klassifikationsalgorithmus zu entwickeln, der in der Lage ist, die extrahierten Merkmale zu analysieren und Sigmatismus auf Telefonebene zu erkennen.Die Merkmale werden entsprechend dem phonetischen Hintergrund der betrachteten Laute ausgewählt.Dazu gehören die ersten drei Formanten, die RMS-Amplitude (root-mean-square), die spektralen Spitzen, der spektrale Schwerpunkt, die spektrale Schiefe und die ersten 12 Mel-Frequenz-Cepstral-Koeffizienten (MFCCs).Drei ML-Methoden werden für die Erkennung von Sigmatismus in Betracht gezogen: Support Vector Machine, Gaußscher Prozess und Neuronale Netze. Der Prozess der Merkmalsextraktion sowie die automatische Klassifizierung werden über Python-Skripte durchgeführt. Im Ergebnis zeigte das auf SVM mit RBF-Kernel basierende Modell die höchste Trefferquote von 90,6 %.