論文の概要: Self-Supervised Speech Representations for Cross-Speaker Dysarthria Detection During Awake Craniotomy

• arxiv url: http://arxiv.org/abs/2610.11825v1
• Date: Thu, 08 Oct 2026 12:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.02056
• Title: Self-Supervised Speech Representations for Cross-Speaker Dysarthria Detection During Awake Craniotomy
• Title（参考訳）: 覚醒頭蓋切開術における話者間関節症検出のための自己教師付き音声表現法
• Abstract要約: 本研究は, 覚醒・頭蓋切開記録における非トラブル音声とを区別するためのパイプラインを提案する。 このパイプラインは、患者音声を分離するための話者ダイアリゼーション、マルチレイヤのwav2vec 2.0埋め込みと音響ディスクリプタを組み合わせた多視点表現、話者条件正規化と伝達性に基づく特徴選択を組み込んで、話者間の堅牢性を向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting intra-operative speech impairment during awake craniotomy is essential for preserving language function. However, automated detection remains challenging because operating-room recordings contain substantial acoustic interference, clinically relevant speech events are rare, and available cohorts are small and heterogeneous across speakers. This study presents a systematic component-wise evaluation of a pipeline for distinguishing dysarthric from no-trouble speech in the DATABRASE corpus of awake-craniotomy recordings. The pipeline incorporates speaker diarization to isolate patient speech, a multi-view representation combining handcrafted acoustic descriptors with multilayer wav2vec 2.0 embeddings, speaker-conditional normalization and transferability-based feature selection to improve cross-speaker robustness, and a cascaded classifier comprising a gradient-boosted first stage and a neural second stage. Evaluation was conducted under strict speaker-independent conditions using leave-one-speaker-out cross-validation. The results show that cross-speaker performance is influenced more strongly by the speech representation than by classifier choice. The AUCs of three classifiers differed by no more than 4.7%, whereas replacing conventional acoustic descriptors with the multilayer self-supervised representation produced AUC improvements of 18.2%-26.1%. Diarization-conditioned feature extraction and the proposed classifier cascade provided additional consistent gains. These findings indicate that reliable patient-specific speech isolation and strong pretrained representations are more important than increased classifier complexity in low-resource intra-operative settings. They also quantify the potential performance gains that may be achieved through patient-specific preoperative calibration.
• Abstract（参考訳）: 覚醒頭蓋切開術における術中音声障害の検出は言語機能維持に不可欠である。 しかし, 手術室の録音にはかなりの音響的干渉があり, 臨床的に関連のある音声イベントは稀であり, 利用可能なコホートは話者間で小さく, 不均一であるため, 自動検出は依然として困難である。 本研究は,覚醒・頭蓋切開記録のデータベースBASEコーパスにおいて,非トラブル音声から顎関節を識別するためのパイプラインを系統的に評価するものである。 本発明のパイプラインは、患者音声を分離するための話者ダイアリゼーションと、手作り音響ディスクリプタと多層wav2vec 2.0埋め込みを組み合わせた多視点表現と、話者条件正規化と転写性に基づく特徴選択とを具備し、話者間のロバスト性を向上し、勾配ブーストされた第1ステージと神経第2ステージとからなるカスケード分類器とを具備する。 話者非依存の厳密な条件下で, 話者一対一のクロスバリデーションによる評価を行った。 その結果, 話者間性能は, 分類器選択よりも音声表現に強く影響されていることがわかった。 3つの分類器のAUCは4.7%以下であったのに対し、従来の音響ディスクリプタを多層自己監督表現に置き換えたことにより18.2%-26.1%のAUCの改善が得られた。 ダイアリゼーション条件付き特徴抽出と提案した分類器カスケードは、さらに一貫した利得を与えた。 これらの結果から,低リソースの術中設定における分類器の複雑さの増加よりも,患者固有の音声分離と強い事前訓練表現が重要であることが示唆された。 また、患者固有の術前校正によって達成される可能性のある潜在的なパフォーマンス向上を定量化する。

関連論文リスト

• AI-Driven Acoustic Voice Biomarker-Based Hierarchical Classification of Benign Laryngeal Voice Disorders from Sustained Vowels [0.26698778146977725]
  8つの良性音声障害の自動分類のための,臨床的に着想を得た階層型機械学習フレームワークを提案する。 実験では、Saarbruecken Voice Databaseの1,261人の話者から15,132の録音を使用し、母音/a/、/i/、/u/を中性、高低、ピッチでカバーした。
  論文  参考訳（メタデータ） (2025-12-31T05:04:54Z)
• $C^2$AV-TSE: Context and Confidence-aware Audio Visual Target Speaker Extraction [80.57232374640911]
  我々はMask-And-Recover (MAR)と呼ばれるモデルに依存しない戦略を提案する。 MARは、モダリティ間およびモダリティ間コンテキスト相関を統合し、抽出モジュール内の大域的推論を可能にする。 各サンプルの難易度を向上するために, 精細信頼スコア(FCS)モデルを導入する。
  論文  参考訳（メタデータ） (2025-04-01T13:01:30Z)
• Speaker-Independent Dysarthria Severity Classification using Self-Supervised Transformers and Multi-Task Learning [2.7706924578324665]
  本研究では, 生音声データから難聴度を自動的に評価するトランスフォーマーに基づく枠組みを提案する。 話者非依存型遅発性重度分類のための多タスク学習目標とコントラスト学習を組み込んだ,話者非依存型遅発性正規化(SALR)と呼ばれるフレームワークを開発した。 我々のモデルは従来の機械学習手法よりも優れた性能を示し、精度は70.48%$、F1スコアは59.23%$である。
  論文  参考訳（メタデータ） (2024-02-29T18:30:52Z)
• Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
  調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。 本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。 生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• On-the-Fly Feature Based Rapid Speaker Adaptation for Dysarthric and Elderly Speech Recognition [53.17176024917725]
  話者レベルのデータの共有化は、データ集約型モデルに基づく話者適応手法の実用的利用を制限する。 本稿では,2種類のデータ効率,特徴量に基づくオンザフライ話者適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T09:12:24Z)
• Exploiting Cross Domain Acoustic-to-articulatory Inverted Features For Disordered Speech Recognition [57.15942628305797]
  調音機能は音響信号歪みに不変であり、正常音声の自動音声認識システムにうまく組み込まれている。 本稿では,15時間 TORGO コーパスの並列音響・調音データをモデルトレーニングに用いるクロスドメイン音響・調音(A2A)インバージョン手法を提案する。 クロスドメインは102.7時間のUASpeechコーパスに適応し、調音的特徴を生産する。
  論文  参考訳（メタデータ） (2022-03-19T08:47:18Z)
• A Preliminary Study of a Two-Stage Paradigm for Preserving Speaker Identity in Dysarthric Voice Conversion [50.040466658605524]
  変形性音声変換(DVC)における話者同一性維持のための新しいパラダイムを提案する。 変形性音声の質は統計VCによって大幅に改善される。 しかし, 変形性関節症患者の通常の発話は, ほとんど収集できないため, 過去の研究は患者の個性を取り戻すことはできなかった。
  論文  参考訳（メタデータ） (2021-06-02T18:41:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。