A Comparative Study of Acoustic Feature Extraction Using CSL and Web Prototype of LIS-N Application
本研究验证了 LIS-N 网络原型作为远程语音监测中临床标准 CSL 可行开源替代方案的有效性，证明了其在基于频率的声学特征方面具有极佳的一致性和纵向稳定性，同时也强调了由于硬件和软件差异导致的在能量和扰动度测量方面的局限性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类的声音不仅仅是说话的一种方式；它是一种生物信号，承载着关于一个人健康状况的丰富信息。几十年来，医生和研究人员一直通过聆听声音来检测声带问题，但要将这种聆听转化为精确、客观的数据，传统上需要仅存在于安静、受控诊所中的昂贵且专业的设备。这些机器通常被锁定在专有软件和高昂成本之后，使得患者难以长期追踪自己的声音，或是在舒适的家中进行监测。随着远程医疗成为现代医学的标准组成部分，科学界一直在寻找一种方法，将这种高质量的分析从诊所带入数字世界，使用那些易于获取、负担得起且能够在日常设备上运行的工具。
南佛罗里达大学的一个研究小组致力于测试一种新的开源方法是否能够达到金标准临床设备的性能。他们开发了一个名为 LIS-N 的原型移动应用程序，该程序使用一个免费的开源软件库来分析语音录音。为了测试这一新工具是否已准备好投入实际应用，他们将其直接与计算机语音实验室（Computerized Speech Lab）进行了对比，后者是多年来在语音诊所中广泛使用的成熟专有系统。该研究涉及 20 名健康的成年人，他们在连续三天内进行了语音录制。每位参与者都完成了三项特定的任务：朗读一段被称为“彩虹段落”（Rainbow Passage）的标准段落、持有一个单一元音音素、以及尽可能长地发出另一个元音。为了确保测试公平，研究人员使用临床机器和新的基于 Web 的原型同时记录了每一次会话，捕捉了完全相同的语音时刻。
结果清晰地展示了这项新技术在何处取得成功，以及在何处仍需改进。研究人员发现，新系统在测量声音的音高（即声音的高低程度）方面表现得异常出色。在比较两个系统的平均音高值时，无论录音是使用临床麦克风还是耳机进行的，也无论使用哪种软件分析声音，数值几乎完全吻合。这表明，对于追踪声音的一般音调而言，这种新的开源工具是昂贵临床设备的可靠替代品。然而，当研究人员观察声音的大小（能量）时，情况发生了变化。两个系统在能量测量上的符合程度完全取决于所使用的麦克风。当两个系统使用同一个麦克风时，响度读数匹配良好；而当使用不同的麦克风时，读数出现了显著分歧，这证明了捕捉声音的硬件是衡量音量的一个重要因素。
当研究人员试图测量声音的稳定性，特别是寻找通常预示着发声劳损或疾病的微小、快速的音高和响度波动时，出现了最显著的局限性。这些被称为“扰动”（perturbation）的测量指标在两个系统之间显示出较差的一致性。在许多情况下，两台机器产生的数值向相反方向移动，这意味着它们不能用于这些特定类型的分析。研究还发现，在追踪一个人三天内声音的变化方面，新系统在音高方面的表现与临床系统一样出色，但在稳定性测量方面却表现挣扎。这表明，虽然该工具非常适合监测一段时间内声音的一般特征，但它尚不能在所有类型的诊断测量中取代临床机器。
最终，这项工作证明了开源软件可以作为许多语音监测任务（特别是涉及平均音高的任务）的一种可行且易于获取的替代方案。研究证实，对于远程语音监测和远程医疗，新系统可以可靠地追踪声音在几天或几周内的变化。然而，研究人员提醒说，这两个系统不应混用；由新应用测得的数值不应直接与旧临床机器测得的数值进行比较，尤其是在观察语音稳定性和响度时。对于远程语音健康的未来，研究表明，虽然软件已经准备好进行广泛使用，但录制方式——特别是所使用的麦克风——必须标准化以确保结果的准确性。这为患者在家中使用工具监测其语音健康铺平了道路，只要遵循正确的协议，这些工具就能像专科医生办公室里的工具一样有效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。