查看“WikiEdge:ArXiv-2409.02800v1/methods”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.02800v1/methods|action=edit}} 编辑]</div>
这篇文献的工作部分详细介绍了如何开发和评估每日声音创伤指数（[[DPI]]）作为声音使用过度（[[PVH]]）的量化工具。以下是这部分的主要内容：
# '''声音监测与数据收集'''：
#* 研究使用了便携式声音监测系统，包括一个加速度计和一个安卓智能手机，用于记录参与者的声音功能和行为。参与者在实验室内朗读“彩虹段落”并进行自发言语（实验室数据），随后在七天内进行户外监测（现场数据）。
# '''数据处理与特征提取'''：
#* 原始加速度计记录通过[[MATLAB]]脚本处理，将信号分割成50毫秒的非重叠帧，并使用声音活动检测器确定帧的有声/无声状态。从有声帧中计算DPI的两个组成部分：第一二谐波差异的标准差（[[H1-H2 std]]）和颈部表面加速度的偏度（[[NSAM skewness]]）。
# '''机器学习模型训练与评估'''：
#* 使用[[逻辑回归]]分析来确定两个类别之间的最优决策边界，并创建分类模型。通过分层的10折交叉验证来评估分类模型的泛化能力。在训练模型之前，对训练和测试集的特征进行[[z分数标准化]]。
# '''实验设计'''：
#* 实验1旨在比较实验室内和现场收集的数据的DPI性能。实验2探讨了监测天数对DPI分类性能的影响。通过增加监测天数，研究了DPI性能的提升情况，并使用幂函数拟合数据以估计性能提升与数据收集成本之间的权衡。
# '''统计分析'''：
#* 使用[[t检验]]来测试实验室内和现场DPI性能之间的显著差异，并使用[[Cohen's D]]来量化显著差异的效应大小。此外，还使用[[Spearman相关分析]]来量化监测持续时间与DPI的判别能力之间的关系。