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

技術要約：音声過緊張（音響的・生理的特性）の自動分類のための階層的特徴量エンジニアリング・フレームワーク

問題提起
音声過緊張（Vocal Hyperfunction: VH）は、音声の誤用を伴う慢性的な状態であり、臨床的には音響的損傷を伴う音響的過緊張（PVH、例：結節）と、非音響的過緊張（NPVH、例：筋緊張性発声障害）に分類される。歩行中の頸部表面加速度（ACC）は、日常的な音声行動をモニタリングするための非侵襲的な手法を提供するが、これら二つのサブタイプを健常対照群から区別するための堅牢なバイオマーカーは依然として限られている。既存のアプローチの多くは、個々の音響的または空気力学的特徴の単純な時間平均に依存しており、音声生成の動的な相互依存性や、空気力学的努力と音響出力の間の生理学的な結合を見落としている可能性がある。課題は、日々の音響および空気力学的測定値の変動性が高いことであり、これにより標準的な単変量指標を用いてPVHおよびNPVHのサブタイプを対照群から分離することが困難になっている。

手法
本研究では、468名の被験者から得られた3,278のサンプルを含むNeckVibe Challengeデータセットを利用し、2つの二値分類タスク（タスク1：PVH vs. 対照群、タスク2：NPVH vs. 対照群）に取り組む。中核となる手法は、14の基本物理量（6つの音響的指標と8つのインピーダンスに基づく逆フィルタリング［IBIF］由来の空気力学的指標）を被験者レベルの表現へと変換する階層的特徴量エンジニアリング・フレームワークである。

本フレームワークは、以下の4つの異なる特徴量カテゴリを構築する：

1. 静的特徴量（Static Features）： 14の基本変数に音声ドーズ率を加えたものに対し、7つの統計的記述子（平均、標準偏差、パーセンタイル、歪度、尖度、四分位範囲）を適用し、計99個の特徴量を生成。
2. 動的特徴量（Dynamic Features）： デルタ（$\Delta$）およびダブルデルタ（$\Delta\Delta$）の差分統計量を含み、デルタ平均、標準偏差、上端の大きさ、線形トレンドにより構成され、197個の特徴量を追加。
3. 比率ベースの特徴量（Ratio-based Features）： 絶対的なレベルに対する時間的変動性を定量化するための正規化された変動性指標（例：$\Delta$SD/mean、|slope|/mean）を用い、253個の特徴量を生成。
4. 結合特徴量（Coupling Features）： ソース・フィルタ関係（例：cppall/spectralTiltall）や安定性・努力の結合を捉える、生理学的に動機付けられた6つの相互作用項を含み、特徴量セットを計203個に拡張。

実験パイプライン：

• 統計分析： Welchのt検定を用い、ベンジャミニ・ホッホバーグ（BH）による偽発見率（FDR）補正を適用して、有意なグループ間の差異を特定した。
• 機械学習： 層化10分割グループ交差検証（CV）を採用し、単一の被験者からのすべての記録が、訓練セットまたは検証セットのいずれかに確実に含まれるようにした。
• 特徴量選択： 冗長性を軽減するため、訓練フォールド内でXGBoost推定器を用いた再帰的特徴量除去（RFECV）を適用した。
• 分類： 5つのモデル（ロジスティック回帰、SVM、ランダムフォレスト、XGBoost、LightGBM）を評価した。
• 解釈性： 特徴量の寄与を分析するために、SHAP（SHapley Additive exPlanations）を用いた。

主な結果
本研究は、2つの分類タスク間に顕著な非対称性があることを明らかにしている：

• タスク1 (PVH vs. 対照群)：

  • 統計的側面： 強固な分離性が観察された。FDR補正後も、特に動的および高次記述子において相当数の特徴量が有意であり、大きな効果サイズ（$|d| \approx 0.9–1.0$）を示した。
  • パフォーマンス： モデルは、交差検証セットにおいて0.891（結合特徴量を用いたロジスティック回帰）、ホールドアウトテストセットにおいて0.917のAUCを達成した。
  • 洞察： PVHはほぼ線形分離可能であり、特徴量の複雑さ（動的および結合特徴量）が増すにつれて性能が向上する。SHAP分析は、複数の特徴量に分散した寄与を示した。

• タスク2 (NPVH vs. 対照群)：

  • 統計的側面： FDR補正を通過した特徴量は存在しなかった。観察されたのは名目上の有意性（$p < 0.05$）を持つ特徴量のみであり、効果サイズは小さかった（$|d| \approx 0.3$）。
  • パフォーマンス： パフォーマンスは著しく低かった。静的特徴量のAUCは0.556と、チャンスレベルに近い結果であった。最良の結果は、結合特徴量を用いたLightGBMによって得られ、AUCは0.728（CV）および0.579（ホールドアウトテスト）であった。
  • 洞察： NPVHの識別には非線形な特徴量の相互作用（結合特徴量）のモデリングが有利であるが、全体的な分離性は限定的である。SHAP分析は、動的な変動量からの集中した寄与を示したが、フォールド間での分散も大きく、識別構造の不安定さを示唆した。

主要な貢献

1. 階層的フレームワーク： 音声過緊張の複雑な生理学的メカニズムを捉えるために特別に設計された、構造化された特徴量エンジニアリング・アプローチ（静的、動的、比率、結合）を提案した。
2. 統計的厳密性： PVHが分散した強い統計的差異を示す一方で、NPVHは日常的なサマリーレベルにおいて最小限の分離性しか示さないことを示す、厳格な単変量分析を提供した。
3. MLパイプラインの検証： PVHは概ね線形分離可能である一方、NPVHの分類は非線形な相互作用を捉えることに依存しているが、高度なモデリングであってもNPHの高い精度達成には苦慮するということを示した。
4. ベンチマーク： PVHのバイオマーカー特定における階層的特徴量の実用性を強調しつつ、NPVH検出における現在の限界を認めることで、NeckVibe Challengeに対する競争力のあるベースラインを確立した。

意義と主張
本論文は、提案された階層的特徴量エンジニアリング・フレームワークが、結合および動的特徴量によって明確な生理学的シグネチャが捉えられる**音響的（音響的損傷を伴う）**音声過緊張の識別において効果的であると主張している。しかし、著者らは、非音響的なVHの分類は、現在の空気力学的および音響的測定法では依然として困難であると控えめに結論付けている。これは、NPVHにおける構造的病変の欠如が、健常対照群との大幅な分布の重複を招いているためであると考えている。

本研究は、多変量モデリングがNPVHの限界を部分的に緩和するものの、現在の特徴量セットでは、NPVHに特徴的な非定常なプロソディの変化や微細な震えを捉えきれていない可能性があると示唆している。したがって、著者らは、NPVHの将来的な進展には、手動で設計された特徴量に頼るのではなく、生の波形から隠れた潜在表現を明らかにするための自己教師あり学習による音声基盤モデルが必要になると考えている。