Dysphonia is a prevalent symptom of some respiratory diseases that affects voice quality, even for prolonged periods. For its diagnosis, speech-language pathologists make use of different acoustic parameters to perform objective evaluations on patients and determine the type of dysphonia that affects them, such as hyperfunctional and hypofunctional dysphonia, which is important because each type requires a different treatment. In the field of artificial intelligence this problem has been addressed through the use of acoustic parameters that are used as input data to train machine learning and deep learning models. However, its purpose is usually to identify whether a patient is ill or not, making binary classifications between healthy voices and voices with dysphonia, but not between dysphonias. In this paper, harmonic-to-noise ratio, cepstral peak prominence-smoothed, zero crossing rate and the means of the Mel frequency cepstral coefficients (2-19) are used to make multiclass classification of voices with euphony, hyperfunction and hypofunction by means of six machine learning algorithms, which are: Random Forest, K nearest neighbors, Logistic regression, Decision trees, Support vector machines and Naive Bayes. In order to evaluate which of them presents a better performance to identify the three voice classes, bootstrap.632 was used. It is concluded that the best confidence interval ranges from 87% to 92%, in terms of accuracy for the K Nearest Neighbors model. Results can be implemented in the development of a complementary application for the clinical diagnosis or monitoring of a patient under the supervision of a specialist.
Introducción: Según la OMS (2023), el estrés es el estado de preocupación o tensión mental generado por una situación difícil. La voz, como medio esencial de expresión, posee una fisiología compleja que se piensa refleja los estados emocionales. Por lo tanto, los síntomas vocales pueden indicar el estado emocional de las personas. Justificación: Por medio de esta investigación se pretende aportar nuevos conocimientos relacionados a la salud mental y la voz. Recordando que a nivel social se ha registrado un aumento de casos vinculados al estrés, ansiedad y bienestar posterior a la pandemia del COVID-19. Se ha demostrado que estos indicadores pueden reflejar cambios fisiológicos y repercutir en los sistemas, en este caso en particular relacionado al encargado de la producción de la voz. Objetivo: Establecer la relación que existe en la salud mental y su implicancia sobre la voz. Hipótesis: Existe una relación entre la salud mental y los síntomas vocales en estudiantes universitarios. Material y Método: Se emplearon dos instrumentos descriptivos para evaluar la autopercepción del estrés y los síntomas vocales. Además, se utilizó una herramienta complementaria diseñada específicamente para ampliar la evaluación de los síntomas vocales. Resultados: Se encontró correlaciones estadísticamente significativas en los síntomas como, sensación de nudo en la garganta, sequedad, fatiga vocal y percepción de aumento de tono e intensidad. También una diferencia en cuanto al sexo, la sequedad, opresión y nudo en la garganta se apreció más en el sexo femenino. Conclusiones: Se encontraron correlaciones estadísticamente significativas en los síntomas vocales y el estrés percibido. Estos hallazgos subrayan la importancia de considerar la salud vocal como un indicador relevante del bienestar emocional y mental en contextos académicos.