Thesis:

Physiologically based features related to vocal hyperfunction have been examined from both laboratory and ambulatory data perspectives

The following thesis proposal describes a framework for the analysis of signal-based features related to vocal pathologies, namely phonotraumatic vocal hyper-function (PVH) and non-phonotraumatic vocal hyperfunction (NPVH), using an accelerometer attached to the neck-skin in an ambulatory setting. The first stage consists of extracting physiologically relevant features that are associated with PVH on a daily basis. A clinical set-up (In Lab) that captures key components of vocal function, such as acoustics (microphone) and aerodynamics (oral airflow) from a reading passage, provides a set of model parameters to characterize vocal function. An impedance-based inverse filtering (IBIF) technique is used to estimate glottal airflow and related features from the accelerometer signal and to obtain the same features for the ambulatory data (In Field). An in-depth analysis of IBIF aerodynamic measures is done in the context of machine learning classifiers. Subsequently, an adaptive version of the IBIF filter (i.e., Kalman smoother) is proposed in order to estimate the airflow signal, incorporating modeling and observation noise. The Kalman smoother is compared to the original IBIF filter with In Lab and In Field data within a classification task to determine the efficiency and relevance of both approaches. Additional efforts are presented to provide insights on the capabilities of machine learning tools to be used on PVH and NPVH patients when compared to their matched-controls. First, a case study with 4 pairs of PVH and controls is used to determine how the variability of the IBIF parameters can affect the classification performance with In Lab data. Later, classical machine learning algorithms are used to investigate the nuances in the classification of NPVH subjects vs. controls, while a final effort explores the use of wavelets with deep learning to separate Pre vs Post therapy in NPVH patients. The main contributions of this thesis are: 1) to develop a machine learning framework for the analysis and classification of neck-surface acceleration signals using aerodynamic features; 2) to propose an alternative filtering scheme to IBIF based on adaptive filtering; and 3) to support the first two contributions by exploring pilot studies on salient features for NPVH, IBIF parameter uncertainty, and therapy effects on NPVH. Discussions and conclusions are included in each chapter to interconnect the ambulatory analysis of glottal flow with machine learning, to establish the potential benefits and limitations of these approaches in clinical settings.

La siguiente propuesta de tesis describe un marco para el análisis de características basadas en señales relacionadas con patologías vocales, específicamente la hiperfunción vocal fonotraumática (HVF) y la hiperfunción vocal no fonotraumática (HVNF), mediante un acelerómetro adherido a la piel del cuello en un entorno ambulatorio. La primera etapa consiste en extraer características fisiológicamente relevantes asociadas a la HVF diariamente. Un sistema clínico (en laboratorio) que captura componentes clave de la función vocal, como la acústica (micrófono) y la aerodinámica (flujo de aire oral) de un texto leído, proporciona un conjunto de parámetros para caracterizar dicha función. Se utiliza una técnica de filtrado inverso basado en impedancia (IBIF) para estimar el flujo de aire glótico y características relacionadas a partir de la señal del acelerómetro y obtener las mismas características para los datos ambulatorios (en campo). Se realiza un análisis exhaustivo de las medidas aerodinámicas obtenidas mediante IBIF en el contexto de clasificadores de aprendizaje automático. Posteriormente, se propone una versión adaptativa del filtro IBIF (es decir, el suavizador de Kalman) para estimar la señal de flujo de aire, incorporando el ruido de modelado y observación. El suavizador de Kalman se compara con el filtro IBIF original utilizando datos de laboratorio y de campo en una tarea de clasificación para determinar la eficiencia y relevancia de ambos enfoques. Se presentan esfuerzos adicionales para comprender las capacidades de las herramientas de aprendizaje automático que pueden utilizarse en pacientes con PVH y NPVH en comparación con sus controles emparejados. En primer lugar, se utiliza un estudio de caso con 4 pares de PVH y controles para determinar cómo la variabilidad de los parámetros del IBIF puede afectar el rendimiento de la clasificación con datos de laboratorio. Posteriormente, se utilizan algoritmos clásicos de aprendizaje automático para investigar los matices en la clasificación de sujetos con NPVH frente a controles, mientras que un último esfuerzo explora el uso de wavelets con aprendizaje profundo para diferenciar entre pacientes con NPVH antes y después del tratamiento. Las principales contribuciones de esta tesis son: 1) desarrollar un marco de aprendizaje automático para el análisis y la clasificación de señales de aceleración de la superficie del cuello utilizando características aerodinámicas; 2) proponer un esquema de filtrado alternativo al IBIF basado en filtrado adaptativo; y 3) respaldar las dos primeras contribuciones mediante estudios piloto sobre características relevantes para el NPVH, la incertidumbre de los parámetros del IBIF y los efectos de la terapia en el NPVH. Cada capítulo incluye discusiones y conclusiones para relacionar el análisis ambulatorio del flujo glótico con el aprendizaje automático, y así establecer los beneficios y limitaciones potenciales de estos enfoques en la práctica clínica.