Exploring Speech Pattern Disorders in Autism using Machine Learning

这项研究提出了一种通过分析医患对话来识别自闭症谱系障碍（ASD）患者异常言语模式的综合方法，因为ASD患者言语相关症状的微妙和多样化表现给诊断带来了重大挑战。利用一组记录的对话数据集，我们提取了40个言语相关特征，分为频率、过零率、能量、光谱特征、梅尔频率倒谱系数（MFCCs）和平衡等类别。这些特征包括语调、音量、节奏和语速等言语的各个方面，反映了ASD中交际行为的复杂性质。我们采用机器学习进行分类和回归任务来分析这些言语特征。分类模型旨在区分ASD和非ASD病例，准确率达到了87.75%。开发回归模型以预测与言语模式相关的变量和所有变量的综合分数，有助于更深入地了解与ASD相关的言语动态。机器学习在解释复杂的言语模式方面的有效性和高分类准确度突显了计算方法在支持ASD诊断过程中的潜力。这种方法不仅有助于早期发现，而且通过提供有关ASD个体的言语和交流概况的见解，还有助于个性化治疗规划。

本文旨在通过分析医生-患者对话，识别自闭症谱系障碍（ASD）患者的异常语音模式，以支持ASD的诊断和治疗。

通过提取40个与语音相关的特征，包括频率、零交叉率、能量、谱特性、Mel频率倒谱系数（MFCC）和平衡等，利用机器学习进行分类和回归分析，以识别ASD患者的语音模式。

本文采用的方法能够有效地解释复杂的语音模式，并取得了较高的分类准确性。此外，本文的方法还能够预测与语音模式相关的变量和综合得分，为ASD患者的个性化治疗提供更深入的理解。

最近的相关研究包括《使用机器学习识别ASD的语音特征研究》、《自闭症谱系障碍的语音诊断：一项综述》等。