Video Experimental Relacionado
Updated: May 2, 2026
12:43
A Protocol for Comprehensive Assessment of Bulbar Dysfunction in Amyotrophic Lateral Sclerosis ALS
Published on: February 21, 2011
34.9K
Evaluación basada en la voz de los síntomas extrapiramidales utilizando el aprendizaje profundo
Erandhi M Liyanage1, Kun-Chan Lan2, Quang Ha1
1School of Electrical and Data Engineering, University of Technology Sydney, 15 Broadway, Ultimo, Sydney, NSW 2007, Australia.
Sensors (Basel, Switzerland)
|August 28, 2025
Resumen
Este estudio introduce un nuevo modelo de IA basado en la voz para evaluar la gravedad de los síntomas extrapiramidales (EPS). El modelo predice con precisión el EPS utilizando características acústicas de grabaciones de voz, ofreciendo una nueva herramienta de evaluación objetiva.
Área de la Ciencia:
- Neurología
- Inteligencia artificial
- Ciencias del habla
Sus antecedentes:
- Los síntomas extrapiramidales (EPS) son deficiencias motoras que afectan la escritura y el habla, a menudo asociadas con el parkinsonismo.
- La evaluación objetiva de la gravedad de la EPS es crucial para el tratamiento del paciente y la eficacia del tratamiento.
- Los métodos actuales para la clasificación de EPS se basan en escalas clínicas administradas por profesionales capacitados.
Objetivo del estudio:
- Desarrollar y validar una herramienta objetiva basada en la voz para evaluar la gravedad de los síntomas extrapiramidales (EPS).
- Investigar la correlación entre las características acústicas específicas del habla y la gravedad de la EPS.
- Aprovechar el aprendizaje de transferencia con redes neuronales profundas para la clasificación automatizada de EPS a partir de datos de voz.
Principales métodos:
- Se recopilaron datos de voz de 94 pacientes con severidad variable de EPS y 30 controles, incluidas grabaciones de vocales y consonantes.
- La evaluación clínica de la gravedad de la EPS se realizó utilizando la Escala de efectos secundarios extrapiramidales inducidos por fármacos y las Escalas de efectos secundarios antipsicóticos de Glasgow.
- Se empleó una arquitectura DenseNet para la extracción y clasificación de datos de voz, utilizando características acústicas como MFCC, croma y contraste espectral.
Principales resultados:
- Se identificaron variaciones significativas en los coeficientes cepstrales de frecuencia Mel (MFCC), croma y contraste espectral con un aumento de la gravedad de la EPS.
- Un modelo basado en DenseNet logró una precisión del 81,9% y una precisión del 82,0% en la clasificación de la gravedad de EPS a partir de datos de voz.
- Este es el primer estudio que demuestra un modelo basado en la voz para la evaluación objetiva de la gravedad de la EPS.
Conclusiones:
- El análisis de la voz, en particular las características acústicas específicas, puede servir como un biomarcador objetivo para la gravedad de los síntomas extrapiramidales.
- El modelo desarrollado DenseNet ofrece una herramienta prometedora y no invasiva para la detección temprana y el seguimiento de la EPS.
- Este enfoque basado en la voz tiene el potencial de mejorar la evaluación clínica y el manejo de las afecciones asociadas con la EPS.
