评估语音分析和机器学习在精神分裂症的临床实用性:一个试点研究
Jie Huang1, Yanli Zhao1, Zhanxiao Tian1
1Beijing HuiLongGuan Hospital, Peking University HuiLongGuan Clinical Medical School, Beijing, 100096, China.
Computers in biology and medicine
|August 17, 2023
概括
这项研究探讨了声学特征作为精神分裂症的潜在生物标志物. 研究人员发现,特定的音频特征可以将患者与对照者区分开来,并预测症状严重程度,为客观的诊断工具提供希望.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 语音和音频处理处理
背景情况:
- 精神分裂症的诊断缺乏客观的生物标志物,依靠主观的评估.
- 现有的音频功能研究显示,由于人口和实验变化的不一致性.
- 需要可靠的音频生物标志物来诊断精神分裂症和预测症状严重程度.
研究的目的:
- 研究声学特征作为精神分裂症客观生物标志物的潜力.
- 评估音频生物标志物的能力,以区分精神分裂症患者与健康对照者的能力.
- 评估声学特征与精神分裂症症状严重程度之间的相关性.
主要方法:
- 来自65名精神分裂症患者和65名健康对照者的录音,阅读情绪文本.
- 使用 librosa 工具包提取了声学特征.
- 应用统计测试和机器学习算法用于分类和预测.
主要成果:
- 在不同组 (mfcc_8,mfcc_11,mfcc_33) 之间发现了Mel-Frequency Cepstral Coefficients (MFCC) 的显著差异.
- 声学特征将患者与对照人群区分开来,准确度为81.5%.
- 声学特征预测了负面症状严重程度,准确率为69.1%,与mfcc_7和负面PANSS分数相关.
结论:
- 声学特征显示出作为精神分裂症可靠生物标志物的巨大潜力.
- 基于语音的音频功能可以帮助客观诊断和临床症状预测.
- 对音频生物标志物的进一步研究可以改善精神分裂症的治疗.
