Core Concepts
자기지도학습 모델이 마비말장애 분류, 단어 인식, 지능성 분류 등의 과제에서 기존 음향 특징 기반 모델보다 우수한 성능을 보였다.
Abstract
이 연구는 마비말장애 평가를 자동화하는 데 있어 자기지도학습 모델의 활용 가능성을 평가했다.
마비말장애 데이터셋이 작아 자동 평가 모델 개발이 어려운 문제를 해결하고자 했다.
건강한 음성 데이터로 사전 학습된 HuBERT, wav2vec2, Modified CPC 등의 자기지도학습 모델을 사용했다.
마비말장애 분류, 단어 인식, 지능성 분류 등 3가지 과제에서 자기지도학습 모델이 기존 음향 특징 기반 모델보다 우수한 성과를 보였다.
특히 HuBERT가 가장 범용적인 특징 추출기로 나타났다.
환경 변화(잡음 추가, 잡음 제거)에도 자기지도학습 모델의 성능이 안정적이었다.
환자 단위 예측 분석 도구를 제안하여 개인별 평가 결과를 해석할 수 있게 했다.
Stats
마비말장애 환자 중 고도 중증(H) 4명, 중등도(M) 4명, 경도(L) 4명, 극심도(VL) 2명의 음성 데이터를 사용했다.
건강한 대조군 환자 2명의 음성 데이터도 포함되었다.