基于语音的自动评估,以区分帕金森病与基本震,采用跨语言方法

科学领域:

• 神经学 神经学
• 语音语言病理学 语言病理学
• 计算语言学 计算语言学

背景情况:

• 帕金森病 (PD) 和基本震 (ET) 是常见的运动障碍,症状重叠,使诊断复杂化.
• 独特的语音模式,PD中的低动力性脱节性关节症和ET中的高动力性脱节性关节症,提供了区分的潜力,但需要进一步调查.
• 跨语言的语音变化对于开发通用语音评估系统来说是一个挑战.

研究的目的:

• 探索语音评估对区分PD和ET的有效性.
• 开发一个机器学习框架,使用语音数据自动区分PD和ET.
• 为跨语言的诊断支持创建可靠的语音变异模型.

主要方法:

• 利用高斯混合模型进行域调整,对德国和西班牙数据进行培训,以对捷克患者进行分类.
• 模拟了三个语音维度:发音,发音和表达.
• 在双级中评估的表现 (PD与PD对比. ET) 和三级 (PD与PD对比) 的情况. ET与健康对照) 的分类场景.

主要成果:

• 发音,发音和散音的融合为 /pa-ta-ka/ 任务实现了最优的二进制分类准确度,高达 86.2%.
• 三类分类 (包括健康对照) 给出了 /pa-ta-ka/ 任务的准确率高达71.6%.
• 拟议的方法在不同语言中表现出了强度和适应性.

结论:

• 自动语音分析与机器学习相结合,是区分PD和ET的强大而准确的方法.
• 开发的模型可以适应不同的语言,克服语音变化挑战.
• 这项技术具有早期诊断和运动障碍的持续监测的潜力.