Uncertainty analysis of clinically relevant distances derived using photogrammetric intersection for the assessment of motor-speech-control in children
Notice bibliographique
Résumé
Abstract. Perceptual analysis is the current benchmark standard used by speech-language pathologists in diagnosing speech sound disorders (SSDs). Yet, related research indicates access to objective measures could improve the assessment process. Recent technological advances have contributed to developing AI-based methods to provide clinicians access to objective measures for speech-motor control by calculating inter-landmark distances of anatomically relevant facial landmarks. However, landmarks placed by AI-based methods extract the landmarks’ coordinates without associated uncertainties. Consequently, inter-landmark distances extracted as objective measurements also lack uncertainty information, potentially compromising their suitability for assessment purposes. In contrast, photogrammetry can predict facial inter-landmark distances and their uncertainties through intersection and variance propagation. In this paper, we use a combination of the markerless BlazeFace algorithm and photogrammetry to examine how different weightings of the image observations, introduced for the photogrammetric intersection, impact the assessment of whether the calculated inter-landmark distances significantly change during the production of spoken words. We selected 16 inter-landmark distances to assess jaw movement. We analysed the movements of five children saying 10 words. Overall, four different weightings and two different camera setups were tested. Setup 1 used 2 cameras, and setup 2 used 3 cameras. The weightings based on comparing the BlazeFace landmarks to a reference were too large when applied to setup 1. They did not allow the reliable determination of inter-landmark distance changes as predicted by current literature depending on the camera setup used. Smaller weights were able to be statistically tested for jaw movements correctly. For setup 2, all weights could detect inter-landmark distances reliably.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».