Acoustic and prosodic analysis of pre-verbal vocalizations of 18-month old toddlers with autism spectrum disorder.
Notice bibliographique
Résumé
Autism Spectrum Disorder (ASD) covers a wide spectrum of symptoms with the main \nones relating to problems with social communication and interaction. Definite ASD \ndiagnosis is based on the presence of certain symptoms and their severity levels and, \naccording to current standards, occurs typically at 36 months of age. Recent statistics \nshow that about 1 in 68 children are diagnosed with autism and there is a recurrence \nrate of 18.7% for the biological siblings of autistic individuals. As such, early detection \nis critical, as it may allow for intense therapy to be initiated, thus tapping into a \nyoung brain’s plasticity properties and increasing odds of success. Today, researchers \nand clinicians have joined efforts to understand and identify new markers of the disorders, \nthus allowing for early diagnosis, ideally around 18 months of age. To this end, \nacoustic analysis of toddler vocalizations has emerged as a promising area, even for \npre-verbal children. Prosodic and acoustic disorders have been reported for babble and \nspeech-like vocalizations. As such, pitch, energy and voice quality related features have \nbeen explored for early ASD diagnosis. In this work, we build upon these findings and \npropose the use of wavelet-based and speech modulation spectral features for ASD diagnosis \nbased not only on speech-like verbalizations, but also on cries, laughs, and other \nsounds made by the toddlers. We show that the proposed features are complementary \nto existing ones and, on a cohort of forty-three 18-month old toddlers, a support vector \nmachine classifier was capable of correctly discriminating the ASD group from the \ntypically-developing toddlers with accuracies above 80%, thus outperforming existing \nmethods. More importantly, we show that with these new features, vocalizations such \nas cries, squeals, whines and shouts showed to be more discriminative than babble and \nspeech-like vocalizations. It is hoped that these findings will lead to more accurate \nearly diagnosis of ASD symptoms.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,002 | 0,001 |
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 ».