Leveraging Machine Learning for Acoustic Feature Analysis in Neurodevelopmental Disorders: Insights into Emotional Profiles
Notice bibliographique
Résumé
Neurodevelopmental disorders (NDDs) in preschoolers often involve social and communication deficits, contributing to heightened anger, sadness, and anxiety. This study examined whether acoustic features of speech could detect emotional dysregulation in 65 French-speaking children (age 4) diagnosed with ADHD, developmental language disorder, psychosocial issues, or cognitive impairments. Using standardized assessments, participants were grouped by emotional/psychological, speech/language, or cognitive/motor difficulties. Audio recordings from structured and unstructured tasks were processed via openSMILE, generating 153 features capturing spectral, prosodic, and energy parameters linked to emotion. A random forest classifier compared these acoustic profiles to EmoDB samples labeled with negative emotions. Results showed that children with NDDs exhibited unique acoustic markers of negative emotions, though differences among subgroups were minimal. Attempts to pinpoint anxiety as a diagnostic feature were inconclusive. Overall, machine learning–based acoustic analysis holds promise for identifying emotional dysregulation, encouraging further multimodal approaches in clinical assessments, and more robust early interventions overall.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,017 | 0,024 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».