揭开认知状态的声音:基于机器学习的语音分析在阿尔茨海默氏病的频谱

科学领域:

• 神经学 神经学
• 语音语言病理学 语言病理学
• 人工智能的人工智能

背景情况:

• 早期发现阿尔茨海默病 (AD) 和其进展对于及时干预和分散的临床试验至关重要.
• 需要为普通人群提供可访问的查工具,以改善AD的诊断和管理.
• 这项研究探讨了机器学习 (ML) 使用语音特征用于AD评估.

研究的目的:

• 研究ML技术在使用自发言语 (SS) 区分不同程度的认知障碍方面的能力.
• 探索SS的双语特征与AD频谱内的认知功能之间的关系.
• 开发用于早期发现和监测阿尔茨海默病的新型查工具.

主要方法:

• 在简短的自发言语 (SS) 协议中,从语音录音中提取了物理声学特征.
• 实施并使用交叉验证评估多个ML模型,以分类主观认知衰退 (SCD),轻度认知障碍 (MCI) 和因AD (ADD) 而导致痴呆症的个体.
• 开发了模型来使用SS衍生信息和标准神经心理学电池 (NBACE) 预测认知领域的表现.

主要成果:

• 基于平行语言语音分析,ML模型成功识别了因AD (ADD) 而导致痴呆症的个体,F1得分为0.92,MCI得分为0.84,F1得分为0.84.
• 模型在预测包括注意力,记忆,执行功能,语言和视觉空间能力在内的认知领域中显示出显著的相关性 (大于0.5).
• 对自发言语的双语分析显示了区分认知障碍水平的潜力.

结论:

• 一个简短,具有成本效益的自发言语 (SS) 协议显示了区分认知障碍和预测AD频谱中的认知领域表现的潜力.
• 这些发现表明与传统的认知评估协议有很高的对应性.
• 这种方法为开发可访问的查工具提供了新的可能性,并使阿尔茨海默病的远程疾病监测成为可能.