在医院工作中接受采访后评估认知功能的问卷,以及使用声学特征开发和评估分类模型

科学领域:

• 老年学是一门学科.
• 计算语言学 计算语言学
• 人工智能的人工智能

背景情况:

• 全球痴呆症患病率正在上升,需要有效的早期检测方法.
• 目前用于查痴呆症和轻度认知障碍 (MCI) 的查工具通常是昂贵和耗时的.
• 语音模式分析为可访问和廉价的认知查提供了一个潜在的途径.

研究的目的:

• 开发和评估一种机器学习模型,使用语音模式对老年痴呆症和MCI患者进行分类.
• 在认知评估中评估标准化30个问题摄入问卷的有效性.
• 在基于语音的认知分类中,比较Mel-谱图和Mel-频率 Cepstral 系数 (MFCC) 的性能.

主要方法:

• 招募了29名老年人 (年龄在72-91岁) 的队列,并使用迷你精神状态检查 (MMSE) 评估认知状态.
• 参与者被分为中度痴呆症 (MMSE ≤20),轻度痴呆症 (MMSE 21-23),以及MCI (MMSE 24-27).
• 机器学习模型使用从语音样本中提取的声学特征进行训练,比较Mel-spectrogram和MFCC.

主要成果:

• 在所有分类任务中,Mel光谱分析显示了比MFCC更好的性能,产生更高的准确性,精度,回忆和F1分数.
• 使用Mel光谱的多分类模型达到0.932.932的峰值精度.
• 使用MFCC对中度痴呆症与MCI的二元分类导致准确度最低 (0.502),尽管假阳性率一般较低.

结论:

• 语音模式分析,特别是使用Mel谱图,显示出对精确和经济有效的痴呆和MCI早期检测有很大的潜力.
• 开发的问卷和机器学习方法为老年人认知障碍提供了一种可行的查方法.
• 需要进一步的研究来解决在某些分类中观察到的相对较高的假阴性率.