[論文レビュー] Supervised Speech Representation Learning for Parkinson's Disease Classification

Parvaneh Janbakhshi, Ina Kodrasi|arXiv (Cornell University)|Jun 1, 2021

Voice and Speech Disorders参考文献 26被引用数 6

ひとこと要約

本稿では、発話者IDを抑圧し、PD分類の判別性を向上させるために adversarial training を用いた教師あり音声表現学習を提案する。スペイン語音声データベースを用いた実験では、発話者に依存しない表現とPDに特化した表現が、教師なしベースラインを上回り、高い正解率とAUCを達成するとともに、発話者ID性能が顕著に低下し、学習された特徴量における発話者バイアスが低減していることが確認された。

ABSTRACT

Recently proposed automatic pathological speech classification techniques use unsupervised auto-encoders to obtain a high-level abstract representation of speech. Since these representations are learned based on reconstructing the input, there is no guarantee that they are robust to pathology-unrelated cues such as speaker identity information. Further, these representations are not necessarily discriminative for pathology detection. In this paper, we exploit supervised auto-encoders to extract robust and discriminative speech representations for Parkinson's disease classification. To reduce the influence of speaker variabilities unrelated to pathology, we propose to obtain speaker identity-invariant representations by adversarial training of an auto-encoder and a speaker identification task. To obtain a discriminative representation, we propose to jointly train an auto-encoder and a pathological speech classifier. Experimental results on a Spanish database show that the proposed supervised representation learning methods yield more robust and discriminative representations for automatically classifying Parkinson's disease speech, outperforming the baseline unsupervised representation learning system.

研究の動機と目的

• 教師なしオートエンコーダー表現の限界に対処するため、発話者IDの痕跡を残し、病理学的特徴の判別性に欠けることがある。
• 発話者識別タスクを用いた敵対的訓練により、オートエンコーダーを敵対的に訓練することで、頑健で発話者に依存しない特徴を生成する表現学習フレームワークを開発する。
• オートエンコーダーと病理的発話分類器を同時に訓練することで、PD検出のための判別力を向上させる。
• 実世界のスペイン語PD音声データベースを用いて、これらの教師あり手法の有効性を評価し、教師なしベースラインと比較する。
• 発話者IDのような病理学的関連のない特徴を抑圧することで、PD分類における一般化性能と性能が向上するかどうかを検討する。

提案手法

• 入力音声スペクトログラムを保持するため、再構成損失を用いてオートエンコーダーを訓練し、ボトルネック表現を形成する。
• 発話者識別（ID）損失とオートエンコーダー再構成損失の両方を同時に最小化する敵対的訓練戦略を適用する。IDタスクには神経的正常発話者のみを用い、病理学的でない発話者ばらつきを抑圧する。
• ボトルネック表現上で二値交差エントロピー損失を用いて、オートエンコーダーと並行してPD分類器を訓練する。これにより、PDと神経的正常発話の判別に適した特徴を学習するようモデルを促す。
• 発話者に依存しないおよびPDに特化した訓練目的を統合することで、両方の監視信号を組み合わせて表現をさらに強化する。
• すべてのモデルは、標準的な最適化設定を用いて確率的勾配降下法（SGD）で訓練する。
• 学習された表現の性能は、PD分類の正解率とAUCで評価され、発話者ID性能は発話者ID痕跡の抑圧度を測る代理指標として用いられる。

実験結果

リサーチクエスチョン

• RQ1 発話者IDタスクを用いたオートエンコーダーの敵対的訓練が、PD分類のための音声表現における発話者ID情報を効果的に抑圧できるか。
• RQ2 オートエンコーダーとPD分類器を同時に訓練することで、病理的発話検出のための学習された表現の判別性が向上するか。
• RQ3 提案された教師あり表現学習手法は、教師なしオートエンコーダーベースラインと比較して、PD分類性能においてどのように異なるか。
• RQ4 提案手法は、発話者IDのような病理学的関連のない特徴を学習された表現からどの程度低減するか。
• RQ5 発話者に依存しないおよびPDに特化した訓練目的の統合により、個別のアプローチと比較して優れた表現が得られるか。

主な発見

• 提案された敵対的発話者に依存しない訓練により、発話者ID正解率は 2.31±0.27% に低下し、AUCは 0.54±0.01 にまで低下し、発話者ID痕跡の効果的な抑圧が確認された。
• PDに特化した訓練により、発話者ID正解率は 18.15±14.27% に低下し、AUCは 0.76±0.08 にまで低下した。これは、病理学的関連の特徴が本質的に発話者ID情報を抑圧していることを示している。
• 両方の補助タスクを統合することで、最高のPD分類正解率が達成され、個別のアプローチおよび教師なしベースラインを上回った。
• 教師なしベースライン表現では、発話者ID正解率が 34.71±11.94% でAUCが 0.90±0.06 であった。これは、強い発話者IDコンテンツを示しており、PD分類における一般化性能に悪影響を及げている。
• 敵対的発話者に依存しない表現は、統合表現よりも高い正解率とAUCを達成し、PD分類性能が最良であった。これは、その手法に最適なハイパーパrameterチューニングがなされていることを示唆している。
• 全体として、提案された教師あり表現学習手法は、教師なしベースラインを著しく上回り、病理学的特徴に特化したおよび頑健性を重視した補助タスクによる表現学習の誘導の価値を示した。