从使用机器学习在大型远程样本中的自动语音生物标志物中得出的心理努力预测

科学领域:

• 认知神经科学 认知神经科学
• 语音处理 语音处理
• 机器学习 机器学习

背景情况:

• 微妙的认知障碍可以在没有任务绩效缺陷的情况下被忽视.
• 需要心理努力的生物标志物来提高认知测试的灵敏度.

研究的目的:

• 用自动语音分析和机器学习来检测口头任务中的心理努力.
• 从声声声学特征开发一种敏感的生物标志物,用于从声声声学特征获得认知负载.

主要方法:

• 收集了来自2,764名健康成年人的音频数据,他们执行了数字跨度向后任务.
• 提取了声学特征并使用了机器学习分类器 (渐变增强) 来预测认知负载.
• 在训练,测试和验证数据集上使用接收器运行曲线 (ROC) 分析评估模型性能.

主要成果:

• 梯度提升分类器实现了高分辨能力 (AUC = 0.99) 预测认知负载.
• 该模型根据声学特征准确地识别了高与低的认知负载.
• 性能在所有跨度长度和特定四位数跨度发言中保持强.

结论:

• 声声声学特征可以在远程管理的口头认知测试中作为精神努力的敏感生物标志物.
• 这种生物标志物有可能改善微妙认知病理的检测.