从语音中提取基于后部的音声特征来检测多发性硬化症
概括
这项研究引入了一种使用机器学习的新型语音分析方法,用于检测患者的多发性硬化症 (MS). 这项技术在早期查和疾病监测方面表现有前途.
科学领域:
- 神经学 神经学
- 语音科学 语言科学
- 机器学习 机器学习
背景情况:
- 多发性硬化症 (MS) 是一种慢性中枢神经系统炎症性疾病,影响运动,认知和语言功能.
- 多发性硬化患者的言语变化可能表明执行功能受限,影响生产,理解和叙事结构.
- 多发性硬化症可能会导致失节症,这是一种运动语音障碍,可能会改变语音特征.
研究的目的:
- 开发和评估基于语音的机器学习技术,以区分复发性复发性MS患者与健康对照.
- 调查从深度神经网络声学模型中获得的语音后部估计对MS检测的有用性.
- 探索这种方法在自动多发性硬化查和疾病进展监测方面的潜力.
主要方法:
- 利用机器学习方法分析语音特征,这些特征来自语音后部估计.
- 采用深度神经网络的声学模型来生成后音格.
- 与 x-vector 和 openSMILE "ComParE 函数"属性对比拟的基于 posteriorgram 的特征的性能.
主要成果:
- 基于posteriorgram的特征提取方法在检测多发性硬化症方面表现出有效性.
- 实现的等错率 (EER) 值低至13.3%,曲线下的面积 (AUC) 得分高达0.891.
- 与x-vector和openSMILE等现有方法相比,表现出更具竞争力和更一致的分类性能.
结论:
- 开发的基于语音的机器学习技术显示了精确检测多发性硬化症的巨大潜力.
- 音声后部特征的可解释性支持其在自动MS查和进展监测中的使用.
- 语音特征分析可能为MS患者的语音治疗干预提供有价值的见解.
