Seminario: “Analisi di segnali vocali per la classificazione di soggetti patologici tramite estrazione di feature acustiche e modelli di Machine Learning con openSMILE” di Roberto Giuseppe Scarpae Marco Renella

Abstract: Il presente lavoro di tirocinio si inserisce nell’ambito dell’analisi automatica del segnale vocale con l’obiettivo di individuare differenze acustiche significative tra soggetti appartenenti a gruppi di controllo e soggetti pazienti.
A partire da registrazioni audio grezze, è stato sviluppato un flusso di elaborazione comprendente la pulizia dei segnali tramite audiocleaner.ai, l’estrazione delle feature acustiche mediante OpenSMILE (set eGeMAPS) e la definizione di feature personalizzate derivate da parametri di fonazione, pause e variazioni spettrali.
I dataset risultanti sono stati integrati e bilanciati mediante la tecnica SMOTE, per mitigare lo squilibrio tra le classi prima della fase di addestramento. Il modello di classificazione scelto è un Random Forest Classifier, selezionato per la sua robustezza, interpretabilità e capacità di gestire feature eterogenee.
Le valutazioni sperimentali, effettuate tramite balanced accuracy e metriche derivate dal classification report, hanno evidenziato una capacità del modello di distinguere le due classi con un’accuratezza bilanciata pari al 72%.
Il sistema proposto costituisce una base solida per ulteriori sviluppi orientati al miglioramento delle prestazioni predittive e all’identificazione di marcatori vocali potenzialmente utili per il supporto alla diagnosi e al monitoraggio clinico.