Application of Linear Discriminant Analysis to the Nasometric Assessment of Resonance Disorders: A Pilot Study
Notice bibliographique
Résumé
Objective : Nasalance scores have traditionally been used to assess hypernasality. However, resonance disorders are often complex, and hypernasality and nasal obstruction may co-occur in patients with cleft palate. In this study, normal speakers simulated different resonance disorders, and linear discriminant analysis was used to create a tentative diagnostic formula based on nasalance scores for nonnasal and nasal speech stimuli. Materials and Methods : Eleven female participants were recorded with the Nasometer 6450 while reading nonnasal and nasal speech stimuli. Nasalance measurements were taken of their normal resonance and their simulations of hyponasal, hypernasal, and mixed resonance. Results : A repeated-measures analysis of variance revealed a resonance condition-stimuli interaction effect (P < .001). A linear discriminant analysis of the participants' nasalance scores led to formulas correctly classifying 64.4% of the resonance conditions. When the hyponasal and mixed resonance conditions with obstruction of the less patent nostril were removed from the analysis, the resultant formulas correctly classified 88.6% of the resonance conditions. Conclusion : The simulations produced distinctive nasalance scores, enabling the creation of formulas that predicted resonance condition above chance level. The preliminary results demonstrate the potential of this approach for the diagnosis of resonance disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».