基于软集理论的构音障碍语音严重程度分类及其在精准医疗中的应用

本研究针对构音障碍评估主观性强的临床痛点，由研究人员创新性地将软集理论(Soft Set Theory)与梅尔频率倒谱系数(MFCC)特征提取技术相结合，开发出新型机器学习分类模型。该模型在UASPEECH数据集上实现了对构音障碍严重程度的客观分类，其性能优于支持向量机(SVM)、梯度提升(Gradient Boost)和随机森林(Random Forest)等传统算法，为构音障碍的精准诊断和治疗方案优化提供了可靠的技术支撑。

　　

构音障碍(Dysarthria)是由神经系统损伤导致的运动性言语障碍，严重影响语音清晰度，其准确评估对临床诊断和治疗至关重要。传统评估方法主要依赖言语治疗师的主观判断，存在较大个体差异性。为此，研究者引入擅长处理不确定性和不精确数据的软集理论(Soft Set Theory)，结合梅尔频率倒谱系数(Mel-frequency Cepstral Coefficients, MFCC)特征提取与机器学习技术，构建了新型构音障碍严重程度分类模型。该模型采用经过专业标注的构音障碍语音数字样本库UASPEECH进行训练验证，在与支持向量机(Support Vector Machine)、梯度提升(Gradient Boost)和随机森林(Random Forest)等传统分类器的对比实验中表现出更优性能。该研究显著提升了构音障碍评估的客观性，为开发高效治疗方案提供了新的技术路径。