تحلیل خودکار سیگنال گفتار برای تشخیص بالینی و ارزیابی اختلالات گفتاری ۲۰۱۲
Automatic Speech Signal Analysis for Clinical Diagnosis and Assessment of Speech Disorders 2012

تحلیل خودکار سیگنال گفتاری برای تشخیص بالینی و ارزیابی اختلالات گفتاری مروری است بر روش هایی که برای کمک به پزشکان در تشخیص و پایش اختلالات گفتاری مانند دیزآرتری و دیسپراکسی طراحی شده اند، با تاکید بر تکنیک های پردازش سیگنال، اعتبار آماری نتایج ارائه شده در مقالات، و مناسب بودن روش هایی که نیازی به تجهیزات تخصصی، رویه های ضبط کاملاً کنترل شده یا پرسنل بسیار ماهر برای تفسیر نتایج ندارند.

این تکنیک ها نوید یک ارزیابی ساده و مقرون به صرفه، در عین حال عینی، از طیف وسیعی از شرایط پزشکی را می دهند که برای پزشکان بسیار ارزشمند خواهد بود. سناریوی ایده آل با جمع آوری نمونه هایی از گفتار مراجعین، از طریق تلفن یا با استفاده از دستگاه های ضبط قابل حمل که توسط پرسنل پرستاری غیرمتخصص اداره می شوند، آغاز می شود.

سپس می توان ضبط ها را در ابتدا برای کمک به تشخیص شرایط و متعاقباً برای پایش پیشرفت و پاسخ مراجعین به درمان، تجزیه و تحلیل کرد. خودکارسازی این فرآیند امکان انجام ارزیابی های مکرر و منظم تری را فراهم می کند و همچنین عینیت بیشتری را ارائه می دهد.

Automatic Speech Signal Analysis for Clinical Diagnosis and Assessment of Speech Disorders provides a survey of methods designed to aid clinicians in the diagnosis and monitoring of speech disorders such as dysarthria and dyspraxia, with an emphasis on the signal processing techniques, statistical validity of the results presented in the literature, and the appropriateness of methods that do not require specialized equipment, rigorously controlled recording procedures or highly skilled personnel to interpret results.

Such techniques offer the promise of a simple and cost-effective, yet objective, assessment of a range of medical conditions, which would be of great value to clinicians. The ideal scenario would begin with the collection of examples of the clients’ speech, either over the phone or using portable recording devices operated by non-specialist nursing staff.

The recordings could then be analyzed initially to aid diagnosis of conditions, and subsequently to monitor the clients’ progress and response to treatment. The automation of this process would allow more frequent and regular assessments to be performed, as well as providing greater objectivity.