A Hierarchical Feature Engineering Framework for Automated Classification of Phonotraumatic and Non-Phonotraumatic Vocal Hyperfunction

Resumen Técnico: Un Marco de Ingeniería de Características Jerárquico para la Clasificación Automatizada de la Hiperfunción Vocal Fonotraumática y No Fonotraumática

Planteamiento del Problema
La hiperfunción vocal (HV) es una condición crónica que implica el mal uso de la voz, categorizada clínicamente en HV fonotraumática (PVH, p. ej., nódulos) e hiperfunción vocal no fonotraumática (NPVH, p. ej., disfonía por tensión muscular). Si bien la aceleración de la superficie del cuello (ACC) ambulatoria ofrece un método no invasivo para monitorear el comportamiento vocal diario, los biomarcadores robustos para distinguir estos subtipos de los controles sanos siguen siendo limitados. Los enfoques existentes suelen depender de promedios temporales simples de características acústicas o aerodinámicas individuales, lo que potencialmente pasa por alto la naturaleza dinámica e interdependiente de la producción del habla y el acoplamiento fisiológico entre el esfuerzo aerodinámico y la salida acústica. El desafío radica en la alta variabilidad de las medidas acústicas y aerodinámicas diarias, lo que dificulta la separación de los subtipos PVH y NPVH de los controles mediante métricas univariadas estándar.

Metodología
El estudio utiliza el conjunto de datos NeckVibe Challenge, que comprende 3,278 muestras de 468 sujetos, para abordar dos tareas de clasificación binaria: PVH vs. Control (Tarea 1) y NPVH vs. Control (Tarea 2). La metodología central consiste en un marco de ingeniería de características jerárquico que transforma 14 cantidades físicas fundamentales (6 medidas acústicas y 8 medidas aerodinámicas derivadas de la Filtración Inversa basada en Impedancia [IBIF]) en representaciones a nivel de sujeto.

El marco construye cuatro categorías distintas de características:

1. Características Estáticas: Siete descriptores estadísticos (media, DE, percentiles, asimetría, curtosis, IQR) aplicados a las 14 variables base más el porcentaje de dosis vocal, sumando 99 características.
2. Características Dinámicas: Estadísticas de diferencia de primer orden ($\Delta$) y segundo orden ($\Delta\Delta$), incluyendo medias delta, DE, magnitudes de la cola superior y tendencias lineales, añadiendo 197 características.
3. Características de Relación (Ratio-based): Medidas de variabilidad normalizadas (p. ej., $\Delta$DE/media, $|pendiente|$/media) para cuantificar la variabilidad temporal en relación con los niveles absolutos, resultando en 253 características.
4. Características de Acoplamiento: Seis términos de interacción motivados fisiológicamente que capturan las relaciones fuente-filtro (p. ej., cppall/spectralTiltall) y los acoplamientos de estabilidad-esfuerzo, extendiendo el conjunto a 203 características.

Pipeline Experimental:

• Análisis Estadístico: Se realizaron comparaciones univariadas utilizando las pruebas t de Welch con corrección de la Tasa de Falso Descubrimiento (FDR) de Benjamini-Hochberg para identificar diferencias significativas entre grupos.
• Aprendizaje Automático (Machine Learning): Se empleó una validación cruzada de grupo (CV) estratificada de 10 pliegues, asegurando que todas las grabaciones de un mismo sujeto permanecieran dentro del conjunto de entrenamiento o de validación.
• Selección de Características: Se aplicó la Eliminación Recursiva de Características con Validación Cruzada (RFECV) utilizando un estimador XGBoost dentro de los pliegues de entrenamiento para mitigar la redundancia.
• Clasificación: Se evaluaron cinco modelos (Regresión Logística, SVM, Random Forest, XGBoost, LightGBM).
• Interpretabilidad: Se utilizaron las Explicaciones de Shapley Aditivas (SHAP) para analizar las contribuciones de las características.

Resultos Clave
El estudio revela una asimetría significativa entre las dos tareas de clasificación:

• Tarea 1 (PVH vs. Control):

  • Estadística: Se observó una separabilidad robusta. Tras la corrección FDR, un número sustancial de características permaneció significativo, particularmente los descriptores dinámicos y de orden superior, con tamaños de efecto grandes ($|d| \approx 0.9–1.0$).
  • Desempeño: El modelo alcanzó un AUC de 0.891 (Regresión Logística con características de acoplamiento) en el conjunto de validación cruzada y de 0.917 en el conjunto de prueba reservado.
  • Perspectiva: La PVH parece ser casi linealmente separable, con un desempeño que mejora progresivamente a medida que aumenta la complejidad de las características (dinámicas y de acoplamiento). El análisis SHAP indicó contribuciones distribuidas a través de múltiples características.

• Tarea 2 (NPVH vs. Control):

  • Estadística: Ninguna característica sobrevivió a la corrección FDR. Solo se observaron características con significancia nominal ($p < 0.05$), con tamaños de efecto pequeños ($|d| \approx 0.3$).
  • Desempeño: El desempeño fue significativamente menor. Las características estáticas operaron cerca del azar (AUC 0.556). El mejor resultado se logró con LightGBM utilizando características de acoplamiento, arrojando un AUC de 0.728 (CV) y 0.579 (test reservado).
  • Perspectiva: La discriminación de la NPVH se beneficia del modelado de interacciones no lineales (características de acoplamiento), pero la separabilidad general sigue siendo limitada. El análisis SHAP mostró contribuciones concentradas de las medidas de variabilidad dinámica, pero con una mayor varianza entre pliegues, lo que sugiere una estructura discriminativa menos estable.

Contribuciones Clave

1. Marco Jerárquico: Propone un enfoque estructurado de ingeniería de características (estática, dinámica, de relación, de acoplamiento) diseñado específicamente para capturar los complejos mecanismos fisiológicos de la hiperfunción vocal.
2. Rigor Estadístico: Proporciona un análisis univariado riguroso que demuestra que, mientras la PVH exhibe diferencias estadísticas fuertes y distribuidas, la NPVH muestra una separabilidad mínima a nivel de resumen diario.
3. Validación del Pipeline de ML: Demuestra que, mientras la PVH es mayormente linealmente separable, la clasificación de la NPVH depende de la captura de interacciones no lineales, aunque incluso el modelado avanzado tiene dificultades para lograr una alta precisión para la NPVH.
4. Benchmarking: Establece una línea de base competitiva para el Desafío NeckVibe, resaltando la utilidad práctica de las características jerárquicas para la identificación de biomarcadores de PVH, al tiempo que reconoce las limitaciones actuales en la detección de NPVH.

Significancia y Reivindicaciones
El artículo afirma que el marco de ingeniería de características jerárquico propuesto es efectivo para identificar biomarcadores en la hiperfunción vocal fonotraumática, donde las firmas fisiológicas distintivas son capturadas por las características de acoplamiento y dinámicas. Sin embargo, los autores concluyen modestamente que la hiperfunción vocal no fonotraumática sigue siendo difícil de clasificar utilizando las medidas aerodinámicas y acústicas actuales. Atribuyen esta dificultad a la falta de lesiones estructurales en la NPVH, lo que genera un sustancial solapamiento de distribuciones con los controles sanos.

El estudio sugiere que, si bien el modelado multivariante mitiga parcialmente las limitaciones para la NPVH, el conjunto de características actual puede no capturar las variaciones prosódicas sutiles y no estacionarias o los micro-temblores característicos de la NPVH. En consecuencia, los autores postulan que los avances futuros para la NPVH podrían requerir modelos fundacionales de habla auto-supervisados entrenados en formas de onda puras para descubrir representaciones latentes ocultas, en lugar de depender únicamente de características diseñadas manualmente.