Zusammenfassung

Hintergrund: In den letzten Jahren verzeichnete die Maschine-Learning-basierte Stimmklassifikation, d.h. das Training von sogenannten Classifiern und Neuronalen Netzwerken erhebliche Fortschritte. Vor allem die Einordnung ob eine Stimme mögliche Pathologien aufweist oder nicht war dabei im Fokus. Weniger beleuchtet wurde dabei die mögliche Differenzierung nach der Art der Stimmpathologien.

Material und Methode: Gehaltene Vokale und Sprechstimmen von 585 Patienten (221 m) und Patientinnen (364 w), diagnostiziert mit Larynxpapillomatose (LP, N=196), Reinkeödem (ROE, N=268), Stimmlippenpolyp (SLP, N=61) oder Stimmlippenzyste (SLZ, N=60), wurden in die Auswertung eingeschlossen. Für die gehaltenen Vokale wurden die Parameter Spectral Tilt, Spectral Slope, SUM sowie die Extremwerte des Stimmfeldes, Jitter und Shimmer, Harmonics-to-Noise-Ratio sowie Cepstral Peak Prominence Smooth als Features berechnet und mit Pitch sowie Inter-Quartile-Range des Pitches der Sprechstimme verknüpft. Weiterhin wurden Mel Frequency Cepstral Coefficients (MFCC) sowie die MEL-Spektren (via Dynamic-Time-Warping normalisiert) als Features für die Sprechstimmaufnahmen berechnet.

Die Features der gehaltenen Vokale sowie die MFCC in Verbindung mit der Diagnose als Label wurden mit Gaussian-Naive-Bayes (GNB), Logistic regression (LR) sowie einem MLP-Classifier (MLPC) klassifiziert, während die MEL-Spektren mit einem Convolutional-Neural-Network (CNN) analysiert wurden. Als Qualitätsmaß wurde die Area under the curve (AUC) der Receiver-Operator-Curve herangezogen.

Ergebnisse: Basierend auf den Features der gehaltenen Vokale konnte für LP, ROE, SLP und SLZ eine AUC von lediglich 0.66, 0.72, 0.52 sowie 0.41 erreicht werden (die beste Performance zeigte MLPC). Die MFCC-basierte Analyse konnte diese Werte auf 0.79, 0.62, 0.61 und 0.48 steigern (hier LR die besten Ergebnisse). Dagegen führte die CNN-basierte Analyse der MEL-Spektren zu AUC von 0.83, 0.73, 0.81 und 0.6.

Schlussfolgerung: Die besten Ergebnisse wurden mit Auswertung der hochwertigeren MEL-Spektren erreicht was zeigt, dass eine Differenzierung der Diagnosen nur unzureichend mit einer kleinen Auswahl akustischer Werte basierend auf gehaltenen Vokalen erfolgen kann.

Text

Hintergrund

In den letzten Jahren verzeichnete die Maschine-Learning-basierte Stimmklassifikation, d.h. das Training von sogenannten Classifiern und Neuronalen Netzwerken erhebliche Fortschritte [1]. Vor allem die Einordnung, ob eine Stimme mögliche Pathologien aufweist oder nicht war dabei im Fokus. Weniger beleuchtet wurde dabei die mögliche Differenzierung nach der Art der Stimmpathologien [2].

Material und Methode

Gehaltene Vokale und Sprechstimmen von 585 Patienten (221 m) und Patientinnen (364 w), diagnostiziert mit Larynxpapillomatose (LP, N=196), Reinkeödem (ROE, N=268), Stimmlippenpolyp (SLP, N=60) oder Stimmlippenzyste (SLZ, N=61), wurden in die Auswertung eingeschlossen (präoperativ).

Für die Analyse wurden zwei Feature-Datensätze erstellt. Als erster Feature-Datensatz (FDS1) wurde die Parameter Spectral Tilt, Spectral Slope, Stimmumfangsmaß (SUM), die Extremwerte des Stimmfeldes (Frequenz und Intensität der leisen sowie lauten Singstimme), Jitter, Shimmer, Harmonics-to-Noise-Ratio (HNR) sowie Cepstral Peak Prominence Smooth (CPPs) berechnet und mit Grundfrequenz, Inter-Quartile-Range der Grundfrequenz sowie 128 Mel Frequency Cepstral Coefficients (MFCC) der Sprechstimme verknüpft. Als zweiter Feature-Datensatz (FDS2) wurden die MEL-Spektren (via Dynamic-Time-Warping normalisiert) der Sprechstimme berechnet. Als Label wurde die Diagnose sowie das Geschlecht der Patienten benutzt.

FDS1 wurde mit Gaussian-Naive-Bayes (GNB), Logistic regression (LR), MLP-Classifier (MLPC), xboost und Supporting Vector Machine (SVM) klassifiziert, während FDS2 mit einem 2D-Convolutional-Neural-Network (2D-CNN) analysiert wurden. Als Qualitätsmaß für die Klassifikationsgüte wurde die Area under the curve (AUC) der Receiver-Operator-Curve herangezogen.

Ergebnisse

Basierend auf FDS1 zeigte sich, dass LR die besten Ergebnisse lieferte. Hier konnte für das Geschlecht eine AUC von 0.95 erzielt werden. Hinsichtlich der Diagnose wurden AUC von 0.83, 0.76, 0.54 sowie 0.62 für LP, ROE, SLP und SLZ erreicht. Dagegen führte die 2D-CNN-basierte Analyse von FDS2 zu AUC von 0.96 für das Geschlecht und 0.74, 0.68, 0.66 und 0.56 für LP, ROE, SLP und SLZ.

Schlussfolgerung

Die marginal besseren Ergebnisse hinsichtlich des Geschlechts wurden bei Nutzung von FDS2 und 2D-CNN erzielt. Hinsichtlich der Diagnose zeigte sich, dass die Anwendung von LR auf FDS1 teilweise bessere Ergebnisse erzielte und mit deutlich geringerer Rechenzeit einherging - was möglicherweise dem relativ kleinen Datensatz geschuldet ist. Defizite, insbesondere bei SLP und SLZ, sind auf die geringere Anzahl der Patienten (im Vergleich zu LP und ROE) zurückzuführen, was weniger Trainingsmaterial zur Folge hat und weiterhin zu einem unbalancierten Datensatz führte.

Literatur

[1] Nudelman CJ, Tardini V, Bottalico P. Artificial Intelligence to Detect Voice Disorders: An AI-Supported Systematic Review of Accuracy Outcomes. Journal of Voice. 2025. DOI: 10.1016/j.jvoice.2025.09.021
[2] Berteloot L, Sismono F, Maertens L, Maryn Y, Verguts M, Vandaele M, Van de Pol C, De Jaeger P, Delsupehe K. AI-Driven Detection and Classification of Voice Disorders Using Acoustic Recordings. Journal of Voice. 2026. DOI: 10.1016/j.jvoice.2026.04.024