Surface Electromyography-Based Speech Detection Amid False Triggers for Artificial Voice Systems in Laryngectomy Patients
Notice bibliographique
Résumé
Laryngectomy, a surgical intervention for laryngeal cancer, effectively treats the condition but results in the loss of natural speech. Voice restoration post-laryngectomy typically involves manual control, limiting patients’ ability to multi-task while speaking. Surface electromyography (sEMG) offers a hands-free alternative for controlling artificial voice systems. However, challenges arise from daily, orofacial activities like chewing or coughing, activating the same muscles used for sEMG control, potentially causing false triggers. To address this, we perform a detailed analysis of facial and neck muscles during speech and non-speech activities to identify potential false triggers for sEMG-controlled artificial voice systems. We propose a five-step algorithm to prepare noisy sEMG data for analysis and to detect accurate speech onset and termination times within the muscle activity. A two-stage classification approach is suggested to effectively distinguish speech from non-speech activities. The classifier in the first stage detects the presence of any activity versus non-activity with an F1-score of 95.8%, while the classifier in the second stage recognizes speech among other activities with an F1-score of 96.3%. This research marks a significant advancement in differentiating speech from other daily activities, thereby minimizing false triggers in sEMG-controlled artificial voice systems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».