BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//ISISLab - ECPv6.3.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.isislab.it
X-WR-CALDESC:Eventi per ISISLab
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Rome
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Rome:20260204T143000
DTEND;TZID=Europe/Rome:20260204T153000
DTSTAMP:20260501T195927
CREATED:20260202T152001Z
LAST-MODIFIED:20260202T152015Z
UID:50742-1770215400-1770219000@www.isislab.it
SUMMARY:Seminario:"Modelli Transformer per l'Analisi del Segnale Vocale: Potenziale\, Limiti e Applicabilità Clinica" di Marco Renella
DESCRIPTION:abstract:La voce è un biomarcatore non invasivo dello stato neurologico e cognitivo. Alterazioni nella stabilità del pitch\, nel ritmo articolatorio e nelle caratteristiche prosodiche sono documentate in depressione\, Alzheimer e declino cognitivo\, rendendo l'analisi del parlato un potenziale strumento per l'identificazione precoce di patologie neurodegenerative. Gli approcci di machine learning classico — basati su feature ingegnerizzate e modelli intrinsecamente interpretabili come Random Forest — sono attualmente impiegati in ambito clinico\, ma mostrano limiti nella cattura di dipendenze temporali complesse e nella rilevazione di pattern sottili che potrebbero emergere in fase preclinica\, prima che la malattia diventi clinicamente rilevante. \n\n\n\nQuesto studio indaga se e come architetture Transformer possano superare i limiti prestazionali dei metodi classici mantenendo applicabilità clinica. Il punto di partenza è un confronto concreto: durante il tirocinio\, un approccio Random Forest con feature ingegnerizzate ha raggiunto balanced accuracy ~0.65 su 134 soggetti. Partendo da questo baseline\, si studia come i Transformer — modelli progettati per catturare dipendenze temporali — si comportino su dati vocali di dimensioni clinicamente realistiche.Il lavoro combina analisi compilativa della letteratura con validazione empirica: si testa l'efficacia di encoder pre-addestrati (HuBERT) nel mitigare la scarsità di dati\, si confronta la modellazione temporale end-to-end con l'aggregazione di feature statiche\, e si applicano tecniche di explainable AI per valutare l'interpretabilità clinica delle decisioni. I risultati mostrano sia potenziale — dove il pre-training offre rappresentazioni utili — sia limiti concreti: requisiti di memoria\, instabilità su fold di cross-validation per dataset troppo piccoli\, e il trade-off tra complessità e trasparenza. Il contributo sta nel caratterizzare questo spazio di progettazione per applicazioni reali\, fornendo indicazioni operative su come combinare capacità rappresentativa e responsabilità clinica nell'uso di biomarcatori vocali.
URL:https://www.isislab.it/event/seminariomodelli-transformer-per-lanalisi-del-segnale-vocale-potenziale-limiti-e-applicabilita-clinica-di-marco-renella/
LOCATION:Laboratorio ISISLab\, Dipartimento di Informatica\, Università di Salerno (Edificio F\, Stecca 7\, Lab. 10\, II piano) – Via Giovanni Paolo II\, 132\, 84084 Fisciano (SA)
ATTACH;FMTTYPE=image/png:https://www.isislab.it/wp-content/uploads/2026/02/seminario-04-02-2026-.png
END:VEVENT
END:VCALENDAR