Utilisation de modèle NLP tel que : Réseau de neurone convolutif, Regression Logistique, MLP pour tester plusieurs types d'entrée pour la detection et la catégorisation de parole dysarthrique.

Création d'une api pour l'extraction automatique de mesures acoustique sur modulation cepstrale, courbes formantiques...

Générateur de JDR automatique à l'aide de transformer

JEP TALN 2024 - Comparaison de mesures pour la détéction automatique de déviance dans la parole dysarthrique

Natacha Miniconi, Cédric Gendrot, Angélina Bourbon, Leonardo Lancia, Cécile Fougeron. Comparaison de mesures pour la détection automatique de déviance dans la dysarthrie ataxique. 35èmes Journées d'Études sur la Parole (JEP 2024) 31ème Conférence sur le Traitement Automatique des Langues Naturelles (TALN 2024) 26ème Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RECITAL 2024), Jul 2024, Toulouse, France. pp.281-290. ⟨hal-04623080⟩

Cette étude explore l’utilisation d’un Réseau de Neurones Convolutifs (CNN) pour distinguer la parole de patients dysarthriques ataxiques de celle de locuteurs neurotypiques, en utilisant diverses entrées. L’objectif est d’extraire automatiquement des informations pertinentes sur les troubles de la parole. Le CNN est utilisé pour exploiter les caractéristiques temporelles et spectrales des signaux de parole via des spectrogrammes, des trajectoires de formants et des courbes de modulation cepstrale. Comparé à un Multi-Layer Perceptron (MLP) alimenté par des mesures acoustico-phonétiques ciblées sur la modulation cepstrale, le CNN présente de meilleurs scores de classification dans la distinction entre dysarthrie et non dysarthrie, en particulier avec la modulation cepstrale. La population CTRL obtient de meilleurs taux de classification que la population SCA avec un MLP, alors qu’on on observe l’inverse avec un CNN.