A Multifaceted Approach Based on Deep Learning Architectures for Dysarthric Speech Recognition
Notice bibliographique
Résumé
Dysarthric speech presents significant challenges to effective communication and overall quality of life. Traditional diagnostic methods are often subjective and time-consuming, limiting both the accuracy and efficiency of detecting this condition. In response, this study proposes a novel automated system for dysarthric speech recognition, designed to improve diagnostic precision and timeliness. The proposed system adopts a comprehensive framework that integrates advanced signal processing techniques, robust feature extraction methods, and cutting-edge deep learning architectures. Multiple acoustic features, including Mel-Frequency Cepstral Coefficients “MFCCs” and Power-Normalized Cepstral Coefficients “PNCCs”, are extracted to capture detailed characteristics of the speech signal. Additionally, speech enhancement algorithms such as Minimum Mean Square Error “MMSE” based noise reduction are applied to improve input quality, especially under noisy conditions. At the core of the system lies a deep learning model combining Convolutional Neural Networks “CNNs” with Bidirectional Long Short-Term Memory “BiLSTM” networks. This architecture effectively captures both local and temporal dependencies within speech signals. To further enhance performance, the Connectionist Temporal Classification “CTC” approach is incorporated for word level recognition in dysarthric speech. CTC is particularly beneficial in speech recognition tasks as it enables training sequence to sequence models without requiring strict alignment between input features and output labels. The system's performance has been thoroughly evaluated on the UASpeech dataset, showing notable effectiveness in handling speech with low intelligibility.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 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 ».