본 논문은 Saarbrücken Voice Database (SVD)를 사용하여 음성 병리 검출을 위한 새로운 방법론을 제시합니다. 기존의 음향 특징과 새롭게 제안된 두 가지 특징(피치 차이 및 NaN 특징)을 결합한 강력한 특징 집합을 사용하여, Support Vector Machine, k-Nearest Neighbors, Naive Bayes, Decision Tree, Random Forest, AdaBoost 등 여섯 가지 머신러닝 알고리즘을 평가합니다. 20480개의 서로 다른 특징 부분집합과 그리드 서치를 통해 최적의 하이퍼파라미터를 찾고, 반복된 계층화 교차 검증을 통해 상위 1000개의 분류 모델을 검증합니다. 클래스 불균형 문제를 해결하기 위해 K-Means SMOTE를 적용하여 훈련 데이터를 증강합니다. 결과적으로 여성, 남성, 전체 데이터에 대해 각각 85.61%, 84.69%, 85.22%의 비가중 평균 재현율(UAR)을 달성했습니다. 정확도는 불균형 데이터에 편향된 지표이므로 의도적으로 생략했습니다. 제안된 방법론과 특징 엔지니어링을 통해 지속적인 /a:/ 모음 발성이라는 간단한 음성 과제를 사용하여 다양한 음성 병리를 검출할 가능성을 보여줍니다. 방법론의 사용 편의성을 높이고 주장을 뒷받침하기 위해 공개 GitHub 저장소(DOI 10.5281/zenodo.13771573)를 제공하며, REFORMS 체크리스트를 통해 접근 방식의 가독성, 재현성 및 정당성을 향상시켰습니다.
