WikiEdge:ArXiv-2409.02800v1/methods

編輯

這篇文獻的工作部分詳細介紹了如何開發和評估每日聲音創傷指數（DPI）作為聲音使用過度（PVH）的量化工具。以下是這部分的主要內容：

1. 聲音監測與數據收集：
   • 研究使用了可攜式聲音監測系統，包括一個加速度計和一個安卓智慧型手機，用於記錄參與者的聲音功能和行為。參與者在實驗室內朗讀「彩虹段落」並進行自發言語（實驗室數據），隨後在七天內進行戶外監測（現場數據）。
2. 數據處理與特徵提取：
   • 原始加速度計記錄通過MATLAB腳本處理，將信號分割成50毫秒的非重疊幀，並使用聲音活動檢測器確定幀的有聲/無聲狀態。從有聲幀中計算DPI的兩個組成部分：第一二諧波差異的標準差（H1-H2 std）和頸部表面加速度的偏度（NSAM skewness）。
3. 機器學習模型訓練與評估：
   • 使用邏輯回歸分析來確定兩個類別之間的最優決策邊界，並創建分類模型。通過分層的10折交叉驗證來評估分類模型的泛化能力。在訓練模型之前，對訓練和測試集的特徵進行z分數標準化。
4. 實驗設計：
   • 實驗1旨在比較實驗室內和現場收集的數據的DPI性能。實驗2探討了監測天數對DPI分類性能的影響。通過增加監測天數，研究了DPI性能的提升情況，並使用冪函數擬合數據以估計性能提升與數據收集成本之間的權衡。
5. 統計分析：
   • 使用t檢驗來測試實驗室內和現場DPI性能之間的顯著差異，並使用Cohen's D來量化顯著差異的效應大小。此外，還使用Spearman相關分析來量化監測持續時間與DPI的判別能力之間的關係。