Optimising MFCC parameters for the automatic detection of respiratory diseases

要約

気道から発信される音声信号は、呼吸器疾患の診断と評価のための貴重な音響バイオマーカーとして利用されます。
採用されている音響特徴の中で、メル周波数ケプストラム係数 (MFCC) は自動分析に広く使用されており、MFCC 抽出は通常、デフォルトのパラメーターに依存します。
しかし、呼吸器疾患の診断に対する MFCC 抽出パラメーターの影響を体系的に調査した包括的な研究はありません。
この研究では、主要なパラメータ、つまり係数の数、フレーム長、フレーム間のホップ長が呼吸状態の検査に及ぼす影響を調べることで、このギャップに対処します。
私たちの調査では、Cambridge COVID-19 Sound データベース、Coswara データセット、ザールブリュッケン音声障害 (SVD) データベース、TACTICAS データセットの 4 つのデータセットを使用します。
サポート ベクター マシン (SVM) は、その広範な採用と有効性を考慮して、分類器として採用されています。
私たちの調査結果は、ホップ長が増加するにつれて MFCC の精度が低下し、係数の最適な数が約 30 であることが観察されたことを示しています。 MFCC のパフォーマンスは、データセット全体のフレーム長によって異なります。
サウンド データベースと Coswara データセット）では、フレーム長が長くなるとパフォーマンスが低下しますが、SVD データセットでは、フレーム長が増加する（50 ミリ秒から 500 ミリ秒）とパフォーマンスが向上します。
さらに、これらのパラメータの最適化された組み合わせを調査し、精度が大幅に向上することを観察しました。
最悪の組み合わせと比較すると、SVM モデルは 81.1%、80.6%、71.7% の精度を達成し、Cambridge COVID-19 Sound データベース、Coswara データセット、および
それぞれSVDデータセット。

要約(オリジナル)

Voice signals originating from the respiratory tract are utilized as valuable acoustic biomarkers for the diagnosis and assessment of respiratory diseases. Among the employed acoustic features, Mel Frequency Cepstral Coefficients (MFCC) is widely used for automatic analysis, with MFCC extraction commonly relying on default parameters. However, no comprehensive study has systematically investigated the impact of MFCC extraction parameters on respiratory disease diagnosis. In this study, we address this gap by examining the effects of key parameters, namely the number of coefficients, frame length, and hop length between frames, on respiratory condition examination. Our investigation uses four datasets: the Cambridge COVID-19 Sound database, the Coswara dataset, the Saarbrucken Voice Disorders (SVD) database, and a TACTICAS dataset. The Support Vector Machine (SVM) is employed as the classifier, given its widespread adoption and efficacy. Our findings indicate that the accuracy of MFCC decreases as hop length increases, and the optimal number of coefficients is observed to be approximately 30. The performance of MFCC varies with frame length across the datasets: for the COVID-19 datasets (Cambridge COVID-19 Sound database and Coswara dataset), performance declines with longer frame lengths, while for the SVD dataset, performance improves with increasing frame length (from 50 ms to 500 ms). Furthermore, we investigate the optimized combination of these parameters and observe substantial enhancements in accuracy. Compared to the worst combination, the SVM model achieves an accuracy of 81.1%, 80.6%, and 71.7%, with improvements of 19.6%, 16.10%, and 14.90% for the Cambridge COVID-19 Sound database, the Coswara dataset, and the SVD dataset respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google